《圖數據挖掘：算法、安全與套用》是2023年清華大學出版社出版的圖書，作者是宣琦、阮中遠、閔勇。
基本介紹
- 中文名：圖數據挖掘：算法、安全與套用
- 作者：宣琦、阮中遠、閔勇
- 出版時間：2023年7月1日
- 出版社：清華大學出版社
- ISBN：9787302637141
- 定價：98 元
內容簡介,圖書目錄,
內容簡介
網路圖的表征能力異常強大，它能夠對事物之間任意類型的相互作用關係進行建模，因此網路圖數據在生物信息、交通網路、科研合作、全球資訊網和社交網路等領域的一系列實際場景中隨處可見。圖數據挖掘用於從圖數據中發現有用的信息和知識。然而，網路中節點和鏈路及其半結構形式的複雜性在各種計算任務，如節點分類、鏈路預測和圖分類等方面提出了挑戰。在這一背景下，研究人員最近提出了各種前沿的圖機器學習算法，包括圖嵌入和圖神經網路，顯著地提升了圖數據挖掘的性能。
《圖數據挖掘：算法、安全與套用》提供了對圖數據挖掘方法的**評述，在此基礎上引申出一個前沿課題，即圖數據挖掘的安全性問題，並介紹了一系列檢測方法來識別圖數據中的對抗樣本。此外，它向讀者介紹了圖數據增強和子圖網路以進一步增強模型，即提高其準確性和魯棒性。最後，本書描述了這些前沿算法在各種場景中的套用，例如交通網路、社交和技術網路以及區塊鏈交易網路等。
圖書目錄
目 錄
第1章 基於多通道圖神經網路的信息源估計 1
1.1 介紹 1
1.2 相關工作 5
1.2.1 信息擴散模型 5
1.2.2 信息源檢測 6
1.2.3 圖神經網路 7
1.3 準備工作 8
1.4 多通道圖神經網路 10
1.4.1 輸入的特徵指數 11
1.4.2 圖卷積網路 14
1.4.3 MCGNN的體系結構 15
1.4.4 損失函式 17
1.5 實驗 17
1.5.1 數據集和實驗裝置 17
1.5.2 基線和評估指標 18
1.5.3 合成網路的結果 20
1.5.4 現實世界網路的結果 23
1.6 本章小結 26
第2章 基於超子結構網路的鏈路預測器 27
2.1 引言 27
2.2 現有的鏈路預測方法 29
2.2.1 啟發式方法 29
2.2.2 基於嵌入的方法 31
2.2.3 基於深度學習的模型 32
2.3 模型介紹 33
2.3.1 問題表述 33
2.3.2 鄰域歸一化 34
2.3.3 構建HSN 35
2.3.4 HELP 37
2.4 實驗分析 39
2.4.1 數據集 39
2.4.2 鏈路預測方法的比較 40
2.4.3 評價指標 40
2.4.4 實驗設定 41
2.4.5 鏈路預測結果 41
2.4.6 參數的敏感性 45
2.5 本章小結 46
第3章 基於子圖網路的寬度學習圖分類方法 47
3.1 介紹 48
3.2 相關工作 49
3.2.1 子圖網路 49
3.2.2 網路表示 50
3.2.3 寬度學習 50
3.3 子圖網路 51
3.3.1 一階子圖網路 52
3.3.2 二階子圖網路 53
3.4 採樣子圖網路 55
3.4.1 採樣策略 55
3.4.2 構建S2GN 58
3.5 基於S2GN的BLS分類器 59
3.5.1 圖分類 59
3.5.2 BLS分類器 59
3.5.3 分類框架 62
3.6 實驗 62
3.6.1 數據集 62
3.6.2 網路表示 63
3.6.3 基於SGN的圖分類 64
3.6.4 基於S2GN的圖分類 65
3.6.5 計算複雜度 67
3.7 總結與展望 68
第4章 子圖增強及其在圖數據挖掘中的套用 69
4.1 引言 69
4.2 相關工作 71
4.2.1 圖分類 71
4.2.2 圖學習中的數據增強 72
4.3 圖分類模型演化框架 72
4.3.1 問題表述 72
4.3.2 子圖增強 73
4.3.3 數據篩選 77
4.3.4 模型演化框架 77
4.4 子圖增強的套用 79
4.4.1 圖分類 80
4.4.2 鏈路預測 80
4.4.3 節點分類 82
4.4.4 實驗結果 83
4.5 本章小結 86
第5章 基於圖的對抗攻擊：如何隱藏你的結構信息 87
5.1 背景 88
5.2 對抗攻擊 90
5.2.1 問題描述 90
5.2.2 攻擊分類 91
5.3 攻擊策略 93
5.3.1 節點分類 93
5.3.2 鏈路預測 100
5.3.3 圖分類 104
5.3.4 社團檢測 108
5.4 本章小結 113
第6章 基於圖的對抗防禦：提高算法魯棒性 115
6.1 引言 115
6.2 對抗訓練 117
6.2.1 圖對抗訓練 117
6.2.2 平滑對抗訓練 121
6.3 圖淨化 124
6.3.1 GCN-Jaccard 124
6.3.2 GCN-SVD 126
6.4 魯棒性驗證 127
6.4.1 圖結構擾動下的魯棒性驗證 128
6.4.2 節點屬性擾動下的魯棒性驗證 129
6.4.3 社團檢測的魯棒性驗證 131
6.5 基於結構的防禦 133
6.5.1 懲罰聚合GNN 133
6.5.2 魯棒圖卷積網路 135
6.6 對抗檢測 137
6.6.1 基於節點分類的對抗檢測 137
6.6.2 基於圖分類的對抗檢測 138
6.7 防禦總結 140
6.8 實驗和分析 142
6.8.1 對抗訓練 142
6.8.2 對抗檢測 146
6.9 本章小結 147
第7章 通過網路方法理解以太坊交易 149
7.1 介紹 149
7.2 以太坊交易數據集 151
7.3 圖嵌入技術 153
7.3.1 基於因式分解的方法 153
7.3.2 基於隨機遊走的方法 154
7.3.3 基於深度學習的方法 155
7.3.4 其他方法 156
7.4 方法 156
7.4.1 基本定義 156
7.4.2 動態有偏遊走 158
7.4.3 學習動態圖嵌入 161
7.5 實驗 163
7.5.1 節點分類 163
7.5.2 鏈路預測 165
7.6 本章小結 168
7.7 附錄 169
第8章 尋找你的餐友：Yelp網路案例研究 171
8.1 介紹 171
8.2 數據描述和預處理 173
8.3 鏈路預測方法 176
8.3.1 相似性指數 176
8.3.2 變異圖自動編碼器 177
8.4 實驗分析 178
8.4.1 實驗設定 178
8.4.2 朋友推薦 178
8.4.3 共同覓食的預測 180
8.5 本章小結 183
第9章 基於圖卷積循環神經網路的交通流量預測深度學習框架 185
9.1 研究背景 185
9.2 相關工作 187
9.2.1 圖分析 187
9.2.2 交通狀態預測 188
9.3 模型 189
9.3.1 圖卷積神經網路 190
9.3.2 長短期記憶神經網路(LSTM) 192
9.3.3 圖卷積循環神經網路 194
9.4 實驗 195
9.4.1 數據集 195
9.4.2 對比實驗 196
9.4.3 評價指標 196
9.4.4 評估 197
9.4.5 實驗和結果分析 197
9.5 本章小結 200
第10章 基於複雜網路的時間序列分類 201
10.1 介紹 201
10.2 相關工作 203
10.2.1 時間序列分類 203
10.2.2 映射方法 204
10.2.3 圖的分類 205
10.3 方法 206
10.3.1 CLPVG 206
10.3.2 基於GNN的AVG 210
10.3.3 與LPVG的比較 213
10.4 實驗 214
10.4.1 數據集 214
10.4.2 實驗設定 215
10.4.3 實驗結果 216
10.5 本章小結 218
第11章 探索社交機器人的受控實驗 219
11.1 簡介 219
11.2 社交機器人的定義 221
11.3 社交機器人的套用和影響 221
11.3.1 套用 222
11.3.2 影響 222
11.4 社交機器人的開發技術 224
11.4.1 網際網路接入技術 224
11.4.2 人工智慧基礎 225
11.4.3 網路科學理論 226
11.5 社交機器人檢測 226
11.5.1 基於圖的檢測方法 227
11.5.2 基於特徵的檢測方法 227
11.5.3 眾包檢測方法 228
11.5.4 多種方式的混合使用 229
11.6 社交機器人與社交網路受控實驗 229
11.6.1 線上社交網路受控實驗 230
11.6.2 社交機器人在受控實驗中的套用 232
11.6.3 社交機器人受控實驗中的問題 237
11.7 結語 238
參考文獻(線上資源) 239
