《社交网络对齐》张忠宝『EPUB电子书下载』

　　本书分为基础知识、社交网络对齐方法、社交网络对齐分析三部分，针对社交网络对齐中的用户对齐与社区对齐场景，系统地介绍了社交网络对齐关键技术体系及其应用。在基础知识部分，定义了社交网络并进行建模，介绍后续方法中所涉及的GNN、图表示学习、知识图谱表示等。在社交网络方法部分，以模型建立、算法介绍、实验分析的逻辑，重点分析了五种社交网络对齐方法：静态的社交网络用户对齐方法、动态的社交网络用户对齐方法、基于无监督学习的社交网络用户对齐方法、基于迁移学习的社交网络用户对齐方法、基于双曲空间的社交网络社区对齐方法。在社交网络对齐分析部分，对用户推荐、社区发现、网络骗局、趋势分析等涉及实际社交网络对齐技术的应用进行案例分析，总结并展望了社交网络的未来发展趋势及待解决问题。

　　张忠宝，长期从事社交网络分析、大数据处理领域研究工作。在该领域，创新性地提出了一系列针对静态和动态场景、用户和社区粒度的社交网络对齐方法，提出了一系列基于融合的跨社交网络用户画像和分析方法，并研发了一个社交网络对齐与分析平台。该平台在相关领域得到了重要应用，实现了跨社交网络账号的关联和融合分析，获得了有关部门的肯定和认可。申请人以第一或通信作者身份发表CCF A类论文8篇。作为课题负责人主持国家重点研发计划项目课题1项，主持国家自然科学基金项目2项，包括联合基金培育项目1项（大数据环境下的人物身份消歧与融合算法，U1936103）和青年基金项目1项（动态环境下的虚拟网络映射方法研究，61602050），以主研人参与国家重点研发计划课题、国家自然科学基金创新研究群体项目和国家自然科学基金重点项目各1项。 申请人取得的主要研究成果有：1）在静态社交网络对齐方面，提出了一种鲁棒的、可充分利用多社交网络信息的用户对齐方法，实现了多个社交网络间高效率、高准确率的用户对齐（IJCAI 2018、TKDE 2021）；2）在动态用户对齐方面，提出了一种基于循环神经网络的社交网络用户对齐方法和一种基于用户行为分析的社交网络用户对齐方法，提高了对齐的准确率（IJCAI 2020、AAAI 2021、AAAI 2022）；3）在知识图谱表示方面，提出了一种基于狄利克雷分布的知识图谱表示方法，提升了表示的准确性（WWW 2022）。 在社会服务方面，担任中国计算机学会服务计算专委会秘书处成员，中国人工智能学会委员，中国计算机学会大数据专委会通讯委员。担任IEEE TKDE、AAAI、IEEE TNSM、Information Science、Computer Network、Globecom、ICC等20余个知名国际期刊审稿人/PC member。

封面
版权信息
内容提要
前言
第一部分 基础知识
第1章 社交网络与图
1.1 社交网络
1.1.1 社交网络概述
1.1.2 社交网络的形式化表示
1.2 图
1.2.1 图的经典算法
1.2.2 图的结构分析
1.2.3 特殊的图
1.3 社交网络模型
1.3.1 ER随机网络模型
1.3.2 WS小世界网络模型
1.3.3 BA无标度网络模型
1.4 本章小结
参考文献
第2章 图神经网络
2.1 图神经网络基础
2.1.1 神经元
2.1.2 多层感知机
2.1.3 误差反向传播算法
2.1.4 图神经网络的发展历程
2.2 图卷积神经网络
2.2.1 卷积与池化
2.2.2 图卷积
2.2.3 频域图卷积神经网络
2.2.4 空域图卷积神经网络
2.3 图注意力网络
2.3.1 注意力机制
2.3.2 图注意力网络原理
2.4 本章小结
参考文献
第3章 图表示学习及其应用
3.1 图嵌入相关理论
3.1.1 图嵌入
3.1.2 编码器与解码器
3.2 基于随机游走的图表示学习算法
3.2.1 DeepWalk
3.2.2 Node2vec
3.2.3 Metapath2vec
3.3 基于深度学习的图表示学习算法
3.3.1 GraphSAGE
3.3.2 VGAE
3.3.3 GraphCL
3.4 本章小结
参考文献
第二部分 社交网络表示
第4章 基于微分方程的动态图表示学习算法
4.1 问题定义
4.1.1 符号与概念
4.1.2 问题描述
4.2 归纳式动态图表示学习算法GraphODE
4.2.1 算法框架
4.2.2 初始化
4.2.3 节点邻居采样操作
4.2.4 聚合函数操作
4.2.5 自定义损失函数与端到端优化
4.2.6 性能分析
4.3 基于受控微分方程的改进算法GraghCDE
4.3.1 问题引入
4.3.2 解决方案与分析
4.4 实验与分析
4.4.1 数据集
4.4.2 评价指标
4.4.3 对比方法
4.4.4 参数设置
4.4.5 主要结果和分析
4.4.6 其他结果
4.5 本章小结
参考文献
第5章 基于狄利克雷分布的知识图谱表示方法
5.1 问题定义
5.1.1 符号与概念
5.1.2 问题描述
5.2 利用狄利克雷分布的知识表示学习
5.2.1 模型建立
5.2.2 优化目标
5.3 DiriE表现能力理论分析
5.3.1 实体与关系的二元嵌入
5.3.2 复杂关系的表现能力
5.3.3 知识图谱的不确定性
5.4 实验与分析
5.4.1 数据集
5.4.2 相关任务
5.4.3 评价指标
5.4.4 链接预测结果和分析
5.4.5 关系模式与不确定性分析
5.5 本章小结
参考文献
第三部分 社交网络对齐方法
第6章 静态的社交网络用户对齐方法
6.1 问题定义
6.1.1 符号与概念
6.1.2 问题描述
6.2 基于矩阵分解的用户对齐方法
6.2.1 方法概述
6.2.2 CDE模型
6.2.3 NS-Alternating算法
6.2.4 收敛性分析
6.3 基于模糊聚类的并行化对齐框架
6.3.1 方法概述
6.3.2 增广图辅助表示阶段
6.3.3 平衡感知的模糊聚类阶段
6.4 实验与分析
6.4.1 数据集
6.4.2 评价指标
6.4.3 对比方法
6.4.4 参数设置
6.4.5 结果和分析
6.5 本章小结
参考文献
第7章 动态的社交网络用户对齐方法
7.1 问题定义
7.1.1 符号与概念
7.1.2 问题描述
7.2 基于图神经网络的联合优化模型
7.2.1 动态图自编码器
7.2.2 本征表示学习
7.2.3 联合优化模型
7.3 协同图深度学习的交替优化算法
7.3.1 算法概述
7.3.2 投影矩阵最优化子问题
7.3.3 表示矩阵最优化子问题
7.3.4 收敛性分析
7.4 实验与分析
7.4.1 数据集
7.4.2 评价指标
7.4.3 对比方法
7.4.4 参数设置
7.4.5 结果和分析
7.5 本章小结
参考文献
第8章 基于无监督学习的社交网络用户对齐方法
8.1 问题定义
8.1.1 符号与概念
8.1.2 问题描述
8.2 基于结构的无监督学习社交网络用户对齐框架
8.2.1 结构公共子空间
8.2.2 多网络节点映射
8.2.3 用户相似度计算
8.3 联合优化算法
8.3.1 结构公共子空间基H
8.3.2 对角锥矩阵B
8.3.3 复杂度分析
8.4 实验与分析
8.4.1 数据集
8.4.2 评价指标
8.4.3 对比方法
8.4.4 参数设置
8.4.5 结果和分析
8.5 本章小结
参考文献
第9章 基于迁移学习的社交网络用户对齐方法
9.1 问题定义
9.1.1 符号与概念
9.1.2 问题描述
9.2 REBORN框架
9.2.1 Ego-Transformer：社交网络对齐
9.2.2 WWGAN：领域差异消除
9.2.3 REBORN：统一框架
9.3 实验与分析
9.3.1 数据集
9.3.2 评价指标
9.3.3 对比方法
9.3.4 参数设置
9.3.5 结果和分析
9.4 本章小结
参考文献
第10章 基于双曲空间的社交网络社区对齐方法
10.1 问题定义
10.1.1 符号与概念
10.1.2 问题描述
10.2 基于双曲空间的社区对齐模型
10.2.1 表示空间选择
10.2.2 双曲空间与庞加莱球模型
10.2.3 社交网络的双曲空间嵌入
10.2.4 混合双曲聚类模型
10.2.5 社区对齐的最优化问题
10.3 基于黎曼几何的交替优化算法
10.3.1 算法概述
10.3.2 社区表示最优化子问题
10.3.3 公共子空间最优化子问题
10.3.4 可识别性分析
10.4 实验与分析
10.4.1 数据集
10.4.2 评价指标
10.4.3 对比方法
10.4.4 参数设置
10.4.5 结果和分析
10.5 本章小结
参考文献
缩略语