《社交網絡對齊》張忠寶『EPUB電子書下載』

　　本書分為基礎知識、社交網絡對齊方法、社交網絡對齊分析三部分，針對社交網絡對齊中的用戶對齊與社區對齊場景，係統地介紹了社交網絡對齊關鍵技術體係及其應用。在基礎知識部分，定義了社交網絡並進行建模，介紹後續方法中所涉及的GNN、圖表示學習、知識圖譜表示等。在社交網絡方法部分，以模型建立、算法介紹、實驗分析的邏輯，重點分析了五種社交網絡對齊方法：靜態的社交網絡用戶對齊方法、動態的社交網絡用戶對齊方法、基於無監督學習的社交網絡用戶對齊方法、基於遷移學習的社交網絡用戶對齊方法、基於雙曲空間的社交網絡社區對齊方法。在社交網絡對齊分析部分，對用戶推薦、社區發現、網絡騙局、趨勢分析等涉及實際社交網絡對齊技術的應用進行案例分析，總結並展望了社交網絡的未來發展趨勢及待解決問題。

　　張忠寶，長期從事社交網絡分析、大數據處理領域研究工作。在該領域，創新性地提出了一係列針對靜態和動態場景、用戶和社區粒度的社交網絡對齊方法，提出了一係列基於融合的跨社交網絡用戶畫像和分析方法，並研發了一個社交網絡對齊與分析平台。該平台在相關領域得到了重要應用，實現了跨社交網絡賬號的關聯和融合分析，獲得了有關部門的肯定和認可。申請人以第一或通信作者身份發表CCF A類論文8篇。作為課題負責人主持國家重點研發計劃項目課題1項，主持國家自然科學基金項目2項，包括聯合基金培育項目1項（大數據環境下的人物身份消歧與融合算法，U1936103）和青年基金項目1項（動態環境下的虛擬網絡映射方法研究，61602050），以主研人參與國家重點研發計劃課題、國家自然科學基金創新研究群體項目和國家自然科學基金重點項目各1項。 申請人取得的主要研究成果有：1）在靜態社交網絡對齊方麵，提出了一種魯棒的、可充分利用多社交網絡信息的用戶對齊方法，實現了多個社交網絡間高效率、高準確率的用戶對齊（IJCAI 2018、TKDE 2021）；2）在動態用戶對齊方麵，提出了一種基於循環神經網絡的社交網絡用戶對齊方法和一種基於用戶行為分析的社交網絡用戶對齊方法，提高了對齊的準確率（IJCAI 2020、AAAI 2021、AAAI 2022）；3）在知識圖譜表示方麵，提出了一種基於狄利克雷分布的知識圖譜表示方法，提升了表示的準確性（WWW 2022）。 在社會服務方麵，擔任中國計算機學會服務計算專委會秘書處成員，中國人工智能學會委員，中國計算機學會大數據專委會通訊委員。擔任IEEE TKDE、AAAI、IEEE TNSM、Information Science、Computer Network、Globecom、ICC等20餘個知名國際期刊審稿人/PC member。

封麵
版權信息
內容提要
前言
第一部分 基礎知識
第1章 社交網絡與圖
1.1 社交網絡
1.1.1 社交網絡概述
1.1.2 社交網絡的形式化表示
1.2 圖
1.2.1 圖的經典算法
1.2.2 圖的結構分析
1.2.3 特殊的圖
1.3 社交網絡模型
1.3.1 ER隨機網絡模型
1.3.2 WS小世界網絡模型
1.3.3 BA無標度網絡模型
1.4 本章小結
參考文獻
第2章 圖神經網絡
2.1 圖神經網絡基礎
2.1.1 神經元
2.1.2 多層感知機
2.1.3 誤差反向傳播算法
2.1.4 圖神經網絡的發展歷程
2.2 圖卷積神經網絡
2.2.1 卷積與池化
2.2.2 圖卷積
2.2.3 頻域圖卷積神經網絡
2.2.4 空域圖卷積神經網絡
2.3 圖注意力網絡
2.3.1 注意力機製
2.3.2 圖注意力網絡原理
2.4 本章小結
參考文獻
第3章 圖表示學習及其應用
3.1 圖嵌入相關理論
3.1.1 圖嵌入
3.1.2 編碼器與解碼器
3.2 基於隨機遊走的圖表示學習算法
3.2.1 DeepWalk
3.2.2 Node2vec
3.2.3 Metapath2vec
3.3 基於深度學習的圖表示學習算法
3.3.1 GraphSAGE
3.3.2 VGAE
3.3.3 GraphCL
3.4 本章小結
參考文獻
第二部分 社交網絡表示
第4章 基於微分方程的動態圖表示學習算法
4.1 問題定義
4.1.1 符號與概念
4.1.2 問題描述
4.2 歸納式動態圖表示學習算法GraphODE
4.2.1 算法框架
4.2.2 初始化
4.2.3 節點鄰居采樣操作
4.2.4 聚合函數操作
4.2.5 自定義損失函數與端到端優化
4.2.6 性能分析
4.3 基於受控微分方程的改進算法GraghCDE
4.3.1 問題引入
4.3.2 解決方案與分析
4.4 實驗與分析
4.4.1 數據集
4.4.2 評價指標
4.4.3 對比方法
4.4.4 參數設置
4.4.5 主要結果和分析
4.4.6 其他結果
4.5 本章小結
參考文獻
第5章 基於狄利克雷分布的知識圖譜表示方法
5.1 問題定義
5.1.1 符號與概念
5.1.2 問題描述
5.2 利用狄利克雷分布的知識表示學習
5.2.1 模型建立
5.2.2 優化目標
5.3 DiriE表現能力理論分析
5.3.1 實體與關係的二元嵌入
5.3.2 複雜關係的表現能力
5.3.3 知識圖譜的不確定性
5.4 實驗與分析
5.4.1 數據集
5.4.2 相關任務
5.4.3 評價指標
5.4.4 鏈接預測結果和分析
5.4.5 關係模式與不確定性分析
5.5 本章小結
參考文獻
第三部分 社交網絡對齊方法
第6章 靜態的社交網絡用戶對齊方法
6.1 問題定義
6.1.1 符號與概念
6.1.2 問題描述
6.2 基於矩陣分解的用戶對齊方法
6.2.1 方法概述
6.2.2 CDE模型
6.2.3 NS-Alternating算法
6.2.4 收斂性分析
6.3 基於模糊聚類的並行化對齊框架
6.3.1 方法概述
6.3.2 增廣圖輔助表示階段
6.3.3 平衡感知的模糊聚類階段
6.4 實驗與分析
6.4.1 數據集
6.4.2 評價指標
6.4.3 對比方法
6.4.4 參數設置
6.4.5 結果和分析
6.5 本章小結
參考文獻
第7章 動態的社交網絡用戶對齊方法
7.1 問題定義
7.1.1 符號與概念
7.1.2 問題描述
7.2 基於圖神經網絡的聯合優化模型
7.2.1 動態圖自編碼器
7.2.2 本征表示學習
7.2.3 聯合優化模型
7.3 協同圖深度學習的交替優化算法
7.3.1 算法概述
7.3.2 投影矩陣最優化子問題
7.3.3 表示矩陣最優化子問題
7.3.4 收斂性分析
7.4 實驗與分析
7.4.1 數據集
7.4.2 評價指標
7.4.3 對比方法
7.4.4 參數設置
7.4.5 結果和分析
7.5 本章小結
參考文獻
第8章 基於無監督學習的社交網絡用戶對齊方法
8.1 問題定義
8.1.1 符號與概念
8.1.2 問題描述
8.2 基於結構的無監督學習社交網絡用戶對齊框架
8.2.1 結構公共子空間
8.2.2 多網絡節點映射
8.2.3 用戶相似度計算
8.3 聯合優化算法
8.3.1 結構公共子空間基H
8.3.2 對角錐矩陣B
8.3.3 複雜度分析
8.4 實驗與分析
8.4.1 數據集
8.4.2 評價指標
8.4.3 對比方法
8.4.4 參數設置
8.4.5 結果和分析
8.5 本章小結
參考文獻
第9章 基於遷移學習的社交網絡用戶對齊方法
9.1 問題定義
9.1.1 符號與概念
9.1.2 問題描述
9.2 REBORN框架
9.2.1 Ego-Transformer：社交網絡對齊
9.2.2 WWGAN：領域差異消除
9.2.3 REBORN：統一框架
9.3 實驗與分析
9.3.1 數據集
9.3.2 評價指標
9.3.3 對比方法
9.3.4 參數設置
9.3.5 結果和分析
9.4 本章小結
參考文獻
第10章 基於雙曲空間的社交網絡社區對齊方法
10.1 問題定義
10.1.1 符號與概念
10.1.2 問題描述
10.2 基於雙曲空間的社區對齊模型
10.2.1 表示空間選擇
10.2.2 雙曲空間與龐加萊球模型
10.2.3 社交網絡的雙曲空間嵌入
10.2.4 混合雙曲聚類模型
10.2.5 社區對齊的最優化問題
10.3 基於黎曼幾何的交替優化算法
10.3.1 算法概述
10.3.2 社區表示最優化子問題
10.3.3 公共子空間最優化子問題
10.3.4 可識別性分析
10.4 實驗與分析
10.4.1 數據集
10.4.2 評價指標
10.4.3 對比方法
10.4.4 參數設置
10.4.5 結果和分析
10.5 本章小結
參考文獻
縮略語