A Bi-Phase LSTM Architecture on Dynamic Social Network Prediction

NCU Institutional Repository > 管理學院 > 資訊管理研究所 > 博碩士論文 > Item 987654321/86576

請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/86576

題名:	A Bi-Phase LSTM Architecture on Dynamic Social Network Prediction
作者:	蘇恆毅;Su, Heng-Yi
貢獻者:	資訊管理學系
關鍵詞:	特徵擷取;長短期記憶網路;動態社交網路;Feature Extraction;Long Short-Term Memory;Dynamic Social Network
日期:	2021-07-20
上傳時間:	2021-12-07 12:59:26 (UTC+8)
出版者:	國立中央大學
摘要:	近年來社群網路非常流行，大部分的人都有參與社群網路，社群網路中藏有非常豐富的資訊，像是價值觀、興趣等。我們可以透過社群網路的互動關係來了解哪些使用者比較親近，進而推薦使用者未來可能的好友。然而由於時間的演變，以前可能是好友的友誼關係可能改變了，我們認為社交網路也是會演變的。因此我們利用 BP-LSTM auto-encoder 和 BP-LSTM predictor，將動態網路圖的特徵保留起來並用來預測下一個時間點的社交網路圖。我們在三個資料集中評估模型，並且與不同的模型比較預測結果，實驗結果顯示 BP-LSTM 在三個資料集中都有相當優秀的表現。最後我們對我們的模型進行參數調整，以達到最佳的預測結果。 ;Social networks have become very popular in recent years. Most people participate in social networks. The social network contains a wealth of information, such as values and interests. We can learn about those users who are close to each other through the interaction of social networks, and then recommend users who may be friends in the future. However, due to the evolution of time, the friendship that may have been friends may have changed, and we believe that social networks will also evolve. Therefore, we use BP-LSTM auto-encoder and BP-LSTM predictor to retain the features of the dynamic network graphs and use it to predict the social network graph at the next point in time. We evaluated the model in three datasets and compared the prediction results with different models. The experimental results showed that BP-LSTM performed quite well in the three data sets. Finally, we adjust the parameters of our model to achieve the best prediction results.
顯示於類別:	[資訊管理研究所] 博碩士論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	53	檢視/開啟

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....