检索结果-南通市图书馆

作者：李世豪大连理工大学

学位级别：硕士

多元关系存在于各种领域中,可以给人类探索这些领域提供有效的帮助。例如医药领域中的生物反应关系可以帮助人们寻找对抗疾病的药物,检测社交网络中的虚假新闻传播关系可以帮助人们避免流言和欺诈。然而目前大多数的深度图学习算法专注... 详细信息

多元关系存在于各种领域中,可以给人类探索这些领域提供有效的帮助。例如医药领域中的生物反应关系可以帮助人们寻找对抗疾病的药物,检测社交网络中的虚假新闻传播关系可以帮助人们避免流言和欺诈。然而目前大多数的深度图学习算法专注于使用二元关系对图进行表征,或是将多元关系拆解成多个二元关系来考虑。使得表示学习结果遗漏或是完全缺少多元关系信息,得出错误的结果或是影响模型的效果。为了解决以上的问题,本文设计并研究了融合多元关系的深度图学习算法。在第一个工作中,提出了基于多元关系的知识图谱表示学习模型LORE,该模型使用网络模体对知识图谱中的多元关系进行建模,同时对多元关系特征和实体本身的属性特征进行表征,通过三种不同的聚合方式对两种特征进行聚合,最终得到实体的嵌入结果。在实验部分,在实体分类和链路预测任务上验证了模型的效果。结果表明,LORE的表现优于基准算法。除此之外,本文还验证了使用网络模体对多元关系进行建模的有效性。在第二个工作中,提出了基于多元关系的虚假评论者群体检测模型ALERT。该算法在注意力层上融合了多元关系系数,控制节点的结构信息和多元关系信息的融合。不同于其他算法,ALERT在训练过程中执行检测算法,使用图同构损失和检测损失联合监督模型的学习,解决了目前群体虚假评论者群体检测算法上表示学习方法和检测方法解耦的问题。在实验部分,使用Amazon数据集与其他基准算法进行对比,结果表明ALERT有着最优的性能。

关键词：多元关系网络模体深度图学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图学习的系统日志序列异常检测研究

基于图学习的系统日志序列异常检测研究

引用

作者：闫乐静山东师范大学

学位级别：硕士

伴随着大规模信息系统的实施,为用户提供便捷服务的同时,也存在软件/硬件故障、外部非法攻击等系统异常问题。系统日志作为重要的系统运行时数据,可以及时记录系统的运行情况,帮助用户准确了解系统状态。目前,基于机器学习模型的系统日... 详细信息

伴随着大规模信息系统的实施,为用户提供便捷服务的同时,也存在软件/硬件故障、外部非法攻击等系统异常问题。系统日志作为重要的系统运行时数据,可以及时记录系统的运行情况,帮助用户准确了解系统状态。目前,基于机器学习模型的系统日志分析已成为对系统运行状态进行自动化异常检测的重要手段,大致可分为基于日志事件计数和基于日志事件间顺序依赖关系的两类方法。然而,现有方法均忽略了日志事件间的复杂关系以及事件关系随时间的变化。为解决上述问题,本文利用动态图神经网络模型对系统日志异常检测问题进行研究,主要工作如下:(1)针对日志事件间的复杂关系及其演化过程难以获取的问题,提出了一种基于动态图链路预测方法的系统日志异常检测模型。首先,将解析后的日志/事件构造为有序增量时序事件图。其次,构建动态图学习模型进行事件连边的链路预测分析。采用图对比学习和时间卷积网络分别对事件关联性及其随时间演化关系进行特征学习,通过链路预测方法实现对新出现事件关系的预测。最后,基于上述模型的链路预测结果为每条日志事件序列进行评分,以此进行异常检测。通过在公开数据集上进行多组实验,进一步验证了模型的有效性。与基线方法相比,提出的方法取得了更好的性能。(2)针对单一事件图快照中节点特征无法进行动态表示的问题,提出了一种基于动态边流链路预测方法的系统日志异常检测模型。首先,为获取图中节点在不同时间点的交互信息。在构造时序事件图的基础上,记录每个事件图快照中边的时序出现情况(边流信息),并采用随机时间游走的方式针对动态边流进行图快照节点特征的实时更新。然后,使用动态图神经网络模型对时序事件图执行链路预测。其中,采用图卷积网络和带因果卷积的Transformer来获得日志事件间的复杂关系以及事件关系演化的过程。最后,根据模型生成的预测事件图对每条日志序列进行得分。针对传统的异常分数阈值在日志序列异常检测中存在的一些问题,例如选取主观性、无法准确捕获复杂数据的多样性等,本研究采用集成学习方式对序列分数进行异常检测。实验结果表明,该研究在不同的公开数据集上均能对日志异常进行有效检测。

关键词：异常检测系统日志链路预测深度图学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于双重对比学习和硬样本挖掘的多视图图聚类算法

引用

计算机工程 2024年

作者：钱李烽李静邹徐熹陈宇顾亚林魏训虎南京航空航天大学计算机科学与技术学院/人工智能学院南京南瑞信息通信科技有限公司国网上海市电力公司信息通信公司

图聚类作为图挖掘领域的关键研究方向，旨在从图数据中发现具有相似性的子结构或节点群体，将它们划分为同一簇。多视图图聚类算法通过综合图数据的多个视图，充分利用底层信息以提升聚类质量。近年来，图对比学习的发展推动了基于深度... 详细信息

图聚类作为图挖掘领域的关键研究方向，旨在从图数据中发现具有相似性的子结构或节点群体，将它们划分为同一簇。多视图图聚类算法通过综合图数据的多个视图，充分利用底层信息以提升聚类质量。近年来，图对比学习的发展推动了基于深度图学习的多视图图聚类的迅速发展。然而，现有的图对比学习难以提高节点表示的识别性，这体现在三方面：第一，原始多视图数据存在噪声；第二，现有的对比学习策略不适用于多视图图聚类任务；第三，对比学习中假阴性样本影响了节点表示学习的效果。针对上述问题，本文提出了一种基于双重对比学习和硬样本挖掘的多视图图聚类方法。首先通过图滤波器平滑节点表示以减轻噪声节点带来的影响；然后设计了节点紧凑性对比学习和节点一致性对比学习，以提高同一聚类内节点表示的紧凑性和不同视图间节点表示间的一致性；最后，由于基于图对比学习的多视图图聚类存在假阴性问题，本文提出了基于聚类引导的硬样本挖掘策略，以提高多视图图聚类效果。在ACM，DBLP和IMDB三个真实世界数据集上进行实验，本文模型分别取得了94.49%，93.22%和57.51%的准确率，均高于其它八种基线方法。

关键词：图挖掘多视图图聚类深度图学习图对比学习

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：