《社交網路對齊》是2024年人民郵電出版社出版的圖書。
基本介紹
- 中文名：社交網路對齊
- 作者：張忠寶
- 出版時間：2024年2月1日
- 出版社：人民郵電出版社
- 頁數：230 頁
- 字數：310000
- ISBN：9787115622150
- 開本：16 開
內容簡介,圖書目錄,
內容簡介
本書分為基礎知識、社交網路對齊方法、社交網路對齊分析三部分，針對社交網路對齊中的用戶對齊與社區對齊場景，系統地介紹了社交網路對齊關鍵技術體系及其套用。
在基礎知識部分，定義了社交網路並進行建模，介紹後續方法中所涉及的GNN、圖表示學習、知識圖譜表示等。在社交網路方法部分，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路對齊方法：靜態的社交網路用戶對齊方法、動態的社交網路用戶對齊方法、基於無監督學習的社交網路用戶對齊方法、基於遷移學習的社交網路用戶對齊方法、基於雙曲空間的社交網路社區對齊方法。在社交網路對齊分析部分，對用戶推薦、社區發現、網路騙局、趨勢分析等涉及實際社交網路對齊技術的套用進行案例分析，總結並展望了社交網路的未來發展趨勢及待解決問題。
圖書目錄
第 一章 社交網路 11
1.1 社交網路與圖 11
1.1.1 社交網路 12
1.1.2 社交網路的形式化表達 18
1.2 圖 24
1.2.1 圖的經典算法 24
1.2.2 圖的結構分析 29
1.2.3 特殊的圖 34
1.3 社交網路建模 37
1.3.1 小世界理論和六度空間 38
1.3.2 ER隨機網路模型 38
1.3.3 WS小世界網路模型 40
1.3.4 Barabási無標度網路模型 42
1.4 本章小結 44
參考文獻 44
第二章 圖神經網路 46
2.1 圖神經網路基礎 46
2.1.1 神經元 46
2.1.2 多層感知機 49
2.1.3 誤差反向傳播算法 52
2.1.4 圖神經網路 55
2.2 圖卷積網路 55
2.2.1 卷積與池化 55
2.2.2 圖卷積 57
2.2.3 頻域圖卷積 58
2.2.4 空域圖卷積 65
2.3 圖注意力網路 67
2.3.1 注意力機制 67
2.3.2 圖注意力網路 69
2.4 本章小結 70
參考文獻 71
第三章 圖表示學習及其套用 73
3.1 圖嵌入相關理論 73
3.1.1 圖嵌入 73
3.1.2 編碼器與解碼器 74
3.2 基於隨機遊走的圖表示學習 76
3.2.1DeepWalk 77
3.2.2 Node2vec 80
3.2.3 Metapath2vec 82
3.3 基於深度學習的圖表示學習 85
3.3.1 GraphSAGE 85
3.3.2 VGAE 88
3.3.3 GraphCL 91
3.4 本章小節 94
參考文獻 94
第四章 基於微分方程的動態圖表示學習方法 96
4.1 問題定義 100
4.1.1 符號與概念 100
4.1.2 問題描述 102
4.2 基於微分方程的動態圖網路表示學習算法 102
4.2.1 算法框架 102
4.2.2 初始化 103
4.2.3 節點鄰居採樣 105
4.2.4 聚合操作 106
4.2.5 自定義損失函式與端到端最佳化 110
4.2.6 性能分析 111
4.3 基於受控微分方程的改進算法 112
4.3.1 問題引入 112
4.3.2 解決方案與分析 113
4.3.3 小結 117
4.4 實驗與分析 118
4.4.1 數據集 118
4.4.2 評價指標 119
4.4.3 對比方法 120
4.4.4 參數設定 121
4.4.5 主要結果和分析 123
4.4.6 其他結果 127
4.5 本章小結 128
參考文獻 130
第五章 基於狄利克雷分布的知識圖譜表示方法 134
5.1 問題定義 136
5.1.1 符號與概念 136
5.1.2 問題描述 137
5.2 利用狄利克雷分布的知識表示學習 137
5.2.1 模型建立 137
5.2.2 最佳化目標 139
5.3 DiriE表現能力理論分析 140
5.3.1 實體與關係的二元嵌入 140
5.3.2 複雜關係的表現能力 141
5.3.3 知識圖譜的不確定性 143
5.4 實驗與分析 144
5.4.1 數據集 144
5.4.2 相關任務 144
5.4.3 評價指標 145
5.4.4 主要結果和分析 145
5.4.5 關係模式與不確定性分析 147
5.5 本章小結 151
參考文獻 152
第六章 靜態的社交網路用戶對齊方法 156
6.1 問題定義 157
6.1.1 符號與概念 157
6.1.2 問題描述 158
6.2 基於矩陣分解的用戶對齊方法 159
6.2.1 方法概述 159
6.2.2 有約束的雙重表征模型 160
6.2.3 非凸解耦的交替最佳化算法 162
6.2.4 收斂性分析 166
6.3 基於模糊聚類的並行化對齊方法 172
6.3.1 方法概述 173
6.3.2 增廣圖輔助表征階段 174
6.3.3 平衡感知的模糊聚類階段 174
6.4 實驗與分析 176
6.4.1 數據集 176
6.4.2 評價指標 177
6.4.3 對比方法 177
6.4.4 參數設定 178
6.4.5 結果和分析 178
6.5 本章小結 185
參考文獻 186
第七章 動態的社交網路用戶對齊方法 189
7.1 問題定義 190
7.1.1 符號與概念 191
7.1.2 問題描述 191
7.2 基於圖神經網路的聯合最佳化模型 191
7.2.1 模型概述 192
7.2.2 動態圖自編碼機 193
7.2.3 本徵表示學習 195
7.2.4 聯合最佳化模型 196
7.3 協同圖深度學習的交替最佳化算法 196
7.3.1 算法概述 197
7.3.2 投影矩陣最最佳化子問題 198
7.3.3 本徵矩陣最最佳化子問題 199
7.3.4 收斂性分析 201
7.4 實驗與分析 206
7.4.1 數據集 206
7.4.2 評價指標 207
7.4.3 對比方法 207
7.4.4 參數設定 208
7.4.5 結果和分析 209
7.5 本章小結 218
參考文獻 219
第八章 基於無監督學習的社交網路用戶對齊方法 222
8.1 問題定義 224
8.1.1 符號與概念 224
8.1.2 問題描述 226
8.2 基於結構的無監督多網路用戶對齊框架 227
8.2.1 結構公共子空間 227
8.2.2 多網路節點映射 231
8.2.3 用戶相似度計算 233
8.3 聯合最佳化算法 234
8.3.1 公共子空間基 H 234
8.3.2 對角錐矩陣 B 239
8.3.3 複雜度分析 242
8.4 實驗與分析 243
8.4.1 數據集 243
8.4.2 評價指標 246
8.4.3 對比方法 247
8.4.4 參數設定 248
8.4.5 主要結果和分析 249
8.5 本章小結 253
參考文獻 254
第九章 基於遷移學習的社交網路用戶對齊方法 257
9.1 問題定義 260
9.1.1 符號與概念 260
9.1.2 問題描述 262
9.2 REBORN框架 262
9.2.1 Ego-Transformer：社交網路對齊 262
9.2.2 WWGAN：領域差異消除 267
9.2.3 REBORN：統一框架 270
9.3 實驗與分析 272
9.3.1 數據集 273
9.3.2 評價指標 273
9.3.3 對比方法 274
9.3.4 參數設定 275
9.3.5 主要結果和分析 277
9.4 本章小結 283
參考文獻 284
第十章 基於雙曲空間的社交網路社區對齊方法 289
10.1 問題定義 290
10.1.1 符號與概念 290
10.1.2 問題描述 291
10.2 基於雙曲空間的社區對齊模型 291
10.2.1 模型概述 292
10.2.2 表征空間選擇 292
10.2.3 雙曲空間與龐加萊球模型 295
10.2.4 社交網路的雙曲空間嵌入 297
10.2.5 混合雙曲聚類模型 297
10.2.6 社區對齊的最最佳化問題 298
10.3 基於黎曼幾何的交替最佳化算法 299
10.3.1 算法概述 300
10.3.2 社區表征最最佳化子問題 302
10.3.3 公共子空間最最佳化子問題 304
10.3.4 可識別性分析 306
10.4 實驗與分析 308
10.4.1 數據集 308
10.4.2 評價指標 309
10.4.3 對比方法 309
10.4.4 參數設定 311
10.4.5 結果和分析 311
10.5 本章小結 316
參考文獻 317
第十一章 社交網路中的用戶推薦 320
11.1 簡介 320
11.1.1用戶推薦對社交網路的作用和意義 320
11.1.2用戶推薦系統架構 321
11.2 基於傳統的推薦 (經典方法) 324
11.2.1 協同過濾User-CF Item-CF 324
11.2.2 邏輯回歸 328
11.2.3 FM（Factorization Machine，因子分解機） 329
11.2.4 GBDT + LR 331
11.3 基於深度學習的推薦 (早期純深度學習經典方法) 333
11.3.1 Deep Crossing (2016) 333
11.3.2 Neural CF 335
11.3.3 PNN模型 336
11.3.4 DIN 或 AFM (注意力機制引入) 337
11.4 推薦在社交網路的具體套用 339
11.4.1 注意力機制的實踐 339
11.4.2 自動學習路徑遞歸 342
11.4.3跨域推薦實現 343
11.5 推薦的熱點方向 345
11.5.1 DIEN 345
11.5.2自注意時序推薦 346
11.5.3 BERT4Rec順序推薦模型 348
11.6 本章小結 349
參考文獻 349
第十二章 社區發現 352
12.1社區發現簡介 352
12.1.1 社區發現的背景 353
12.1.2 社區發現的定義與預備知識 354
12.1.3 社區發現的發展歷史 355
12.2基於卷積網路的社區發現方法 358
12.2.1基於CNN的社區發現 358
12.2.2基於GCN的社區發現 367
12.3基於圖注意力網路的社區發現方法 375
12.3.1 MAGNN: 用於異質圖嵌入的元路徑聚合圖神經網路 375
12.3.2 DMGI：無監督的多重網路屬性表示 379
12.3.3HDMI: 高階深度可復用信息網路 382
12.4基於圖對抗網路的社區發現方法 384
12.4.1 JANE：聯合對抗網路表示 384
12.4.2 ProGAN: 通過近似生成對抗網路進行網路嵌入 387
12.4.3 CANE：基於對抗訓練的社區發現網路表示 390
12.5基於自編碼器的社區發現方法 391
12.5.1 SDCN:結構式深度聚類網路 391
12.5.2 MAGCN:多視點屬性圖卷積網路聚類模型 397
12.5.3 One2Multi:基於多視圖圖聚類的圖自編碼器 400
12.6 本章小結403
參考文獻 403
第十三章 社交網路騙局 406
13.1 簡介 406
13.2 欺詐用戶檢測 407
13.2.1概述 407
13.2.2 圖在欺詐用戶檢測中的套用 408
13.2.3 基於圖卷積神經網路的垃圾郵件檢測 411
13.2.4 基於強化學習檢測偽裝欺詐者 415
13.3謠言檢測 417
13.3.1 概述 417
13.3.2 基於雙向圖卷積網路(Bi-GCN)的謠言檢測 419
13.3.3基於事件增強的謠言檢測 422
13.3.4 基於圖結構對抗學習的社交網路謠言檢測 424
13.3.5 基於聯合學習的突發謠言檢測 428
13.4 虛假新聞檢測 431
13.4.1 概述 431
13.4.2 基於用戶可信度社交網路虛假新聞檢測 432
13.4.3 基於強化學習的弱監督虛假新聞檢測 435
13.4.4 基於遷移學習的虛假新聞檢測 439
13.5本章小節 441
參考文獻 442
第十四章 社交網路趨勢分析 445
14.1 簡介 445
14.2 情感分析 446
14.2.1 概述 446
14.2.2 用於社交網路情感分析的卷積LSTM模型 447
14.2.3 基於模糊規則的社交網路無監督情感分析 450
14.2.4 面向多模態社交網路的輿情情感分析 452
14.3 觀點挖掘 453
14.3.1 概述 453
14.3.2基於辭彙和機器學習的社交網路有用意見挖掘方法 454
14.3.3 基於多模態多視圖的觀點挖掘 456
14.3.4 基於互動式更新標籤的新冠疫情觀點挖掘 459
14.4 熱點事件分析 461
14.4.1 概述 461
14.4.2 社交網路中實時緊急熱點識別系統 462
14.4.3 基於知識的多模態社會熱點分析 463
14.4.4 社交熱點的推特情感分析 466
14.5 用戶影響力分析 469
14.5.1概述 469
14.5.2衡量社交網路用戶影響力的傳統方法 470
14.5.3 基於PageRank的微博用戶影響力分析 473
14.5.4 Github開發者社交網路用戶影響分析 476
14.6本章小節 480
參考文獻 481
