基于深度學(xué)習(xí)的社會信息挖掘應(yīng)用實(shí)例分析

目錄
前言
第1章 緒論 1
1.1 人工智能 1
1.2 機(jī)器學(xué)習(xí) 6
1.3 深度學(xué)習(xí) 10
第2章 神經(jīng)網(wǎng)絡(luò) 14
2.1 神經(jīng)元 14
2.2 損失函數(shù) 15
2.3 激活函數(shù) 16
2.4 參數(shù)學(xué)習(xí) 19
2.5 梯度下降法 20
2.6 全連接神經(jīng)網(wǎng)絡(luò) 24
2.7 BP神經(jīng)網(wǎng)絡(luò) 25
2.8 優(yōu)化方案 28
2.9 注意力機(jī)制 31
2.10 本章小結(jié) 32
第3章 深度神經(jīng)網(wǎng)絡(luò) 33
3.1 卷積神經(jīng)網(wǎng)絡(luò) 33
3.2 簡單循環(huán)神經(jīng)網(wǎng)絡(luò) 34
3.3 深層循環(huán)神經(jīng)網(wǎng)絡(luò) 36
3.4 本章小結(jié) 37
第4章 基于啟發(fā)知識的學(xué)習(xí)方法 38
4.1 兄弟學(xué)習(xí) 38
4.2 頓悟?qū)W習(xí) 40
4.3 本章小結(jié) 43
第5章 極限學(xué)習(xí)機(jī) 44
5.1 引言 44
5.2 *小二乘擬和及Moore-Penrose廣義逆 45
5.3 標(biāo)準(zhǔn)SLFN數(shù)學(xué)模型 48
5.4 ELM學(xué)習(xí)算法 50
5.5 ELM的特征映射和特征空間 53
5.6 ELM、RVFL及其一般化結(jié)構(gòu) 56
5.7 ELM的理論基礎(chǔ) 58
5.8 本章小結(jié) 61
第6章 基于深度學(xué)習(xí)的網(wǎng)站智能信息挖掘 62
6.1 引言 62
6.2 網(wǎng)站信息的計(jì)算機(jī)自動獲取 63
6.3 基于深度學(xué)習(xí)的網(wǎng)站相似度研究 64
6.4 網(wǎng)站內(nèi)容豐富度研究 67
6.5 面向任務(wù)的興趣推送 69
6.6 本章小結(jié) 71
第7章 基于卷積神經(jīng)網(wǎng)絡(luò)的甲骨文異體字識別 72
7.1 引言 72
7.2 相關(guān)研究 74
7.3 符號定義及概念 76
7.4 甲骨文異體字識別方法 76
7.5 實(shí)驗(yàn)及分析 85
7.6 總結(jié)與展望 92
第8章 基于LSTM 的小說情節(jié)高潮識別 94
8.1 引言 94
8.2 相關(guān)概念 96
8.3 情節(jié)高潮識別方法 100
8.4 算法實(shí)現(xiàn) 102
8.5 實(shí)驗(yàn)及分析 104
8.6 總結(jié)與展望 110
第9章 大規(guī)模復(fù)雜異質(zhì)圖動態(tài)的構(gòu)建 111
9.1 引言 111
9.2 大規(guī)模復(fù)雜異質(zhì)圖舉例 112
9.3 國內(nèi)外現(xiàn)狀及發(fā)展動態(tài) 115
9.4 大規(guī)模復(fù)雜異質(zhì)圖學(xué)習(xí)的研究內(nèi)容 121
9.5 本章小結(jié) 123
第10章 基于深度學(xué)習(xí)的大規(guī)模復(fù)雜異質(zhì)圖動態(tài)分析 124
10.1 復(fù)雜異質(zhì)動態(tài)圖數(shù)據(jù)的采集與存儲管理 124
10.2 復(fù)雜異質(zhì)動態(tài)圖的構(gòu)建與表示 125
10.3 動態(tài)圖的演變模式分析 127
10.4 大規(guī)模復(fù)雜異質(zhì)圖動態(tài)變化的優(yōu)化 129
10.5 大規(guī)模復(fù)雜異質(zhì)圖學(xué)習(xí)的實(shí)現(xiàn) 130
10.6 大規(guī)模復(fù)雜異質(zhì)圖學(xué)習(xí)算法 135
10.7 本章小結(jié) 140
參考文獻(xiàn) 141