社交网络对齐
全新正版 极速发货
￥ 61.68 6.2折 ￥ 99.8 全新
库存5件
广东广州
认证卖家担保交易快速发货售后保障
作者张忠宝
出版社人民邮电出版社
ISBN9787115622150
出版时间2024-02
装帧平装
开本16开
定价99.8元
货号1203231575
上书时间2024-08-08
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
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。
目录
第 一章社交网络11
1.1 社交网络与图11
1.1.1 社交网络12
1.1.2 社交网络的形式化表达18
1.2 图 24
1.2.1 图的经典算法24
1.2.2 图的结构分析29
1.2.3 特殊的图34
1.3 社交网络建模37
1.3.1 小世界理论和六度空间38
1.3.2 ER随机网络模型38
1.3.3 WS小世界网络模型40
1.3.4 Barabási无标度网络模型42
1.4 本章小结44
参考文献44
第二章 图神经网络46
2.1 图神经网络基础46
2.1.1 神经元46
2.1.2 多层感知机49
2.1.3 误差反向传播算法52
2.1.4 图神经网络55
2.2 图卷积网络55
2.2.1 卷积与池化55
2.2.2 图卷积57
2.2.3 频域图卷积58
2.2.4 空域图卷积65
2.3 图注意力网络67
2.3.1 注意力机制67
2.3.2 图注意力网络69
2.4 本章小结70
参考文献71
第三章 图表示学习及其应用73
3.1 图嵌入相关理论73
3.1.1 图嵌入73
3.1.2 编码器与解码器74
3.2 基于随机游走的图表示学习76
3.2.1DeepWalk77
3.2.2 Node2vec80
3.2.3 Metapath2vec82
3.3 基于深度学习的图表示学习85
3.3.1 GraphSAGE85
3.3.2 VGAE88
3.3.3 GraphCL91
3.4 本章小节94
参考文献94
第四章 基于微分方程的动态图表示学习方法96
4.1 问题定义100
4.1.1 符号与概念100
4.1.2 问题描述102
4.2 基于微分方程的动态图网络表示学习算法102
4.2.1 算法框架102
4.2.2 初始化103
4.2.3 节点邻居采样105
4.2.4 聚合操作106
4.2.5 自定义损失函数与端到端优化110
4.2.6 性能分析111
4.3 基于受控微分方程的改进算法112
4.3.1 问题引入112
4.3.2 解决方案与分析113
4.3.3 小结117
4.4 实验与分析118
4.4.1 数据集118
4.4.2 评价指标119
4.4.3 对比方法120
4.4.4 参数设置121
4.4.5 主要结果和分析123
4.4.6 其他结果127
4.5 本章小结128
参考文献130
第五章 基于狄利克雷分布的知识图谱表示方法134
5.1 问题定义136
5.1.1 符号与概念136
5.1.2 问题描述137
5.2 利用狄利克雷分布的知识表示学习137
5.2.1 模型建立137
5.2.2 优化目标139
5.3 DiriE表现能力理论分析140
5.3.1 实体与关系的二元嵌入140
5.3.2 复杂关系的表现能力141
5.3.3 知识图谱的不确定性143
5.4 实验与分析144
5.4.1 数据集144
5.4.2 相关任务144
5.4.3 评价指标145
5.4.4 主要结果和分析145
5.4.5 关系模式与不确定性分析147
5.5 本章小结151
参考文献152
第六章 静态的社交网络用户对齐方法156
6.1 问题定义157
6.1.1 符号与概念157
6.1.2 问题描述158
6.2 基于矩阵分解的用户对齐方法159
6.2.1 方法概述159
6.2.2 有约束的双重表征模型160
6.2.3 非凸解耦的交替优化算法162
6.2.4 收敛性分析166
6.3 基于模糊聚类的并行化对齐方法172
6.3.1 方法概述173
6.3.2 增广图辅助表征阶段174
6.3.3 平衡感知的模糊聚类阶段174
6.4 实验与分析176
6.4.1 数据集176
6.4.2 评价指标177
6.4.3 对比方法177
6.4.4 参数设置178
6.4.5 结果和分析178
6.5 本章小结185
参考文献186
第七章 动态的社交网络用户对齐方法189
7.1 问题定义190
7.1.1 符号与概念191
7.1.2 问题描述191
7.2 基于图神经网络的联合优化模型191
7.2.1 模型概述192
7.2.2 动态图自编码机193
7.2.3 本征表示学习195
7.2.4 联合优化模型196
7.3 协同图深度学习的交替优化算法196
7.3.1 算法概述197
7.3.2 投影矩阵很优化子问题198
7.3.3 本征矩阵很优化子问题199
7.3.4 收敛性分析201
7.4 实验与分析206
7.4.1 数据集206
7.4.2 评价指标207
7.4.3 对比方法207
7.4.4 参数设置208
7.4.5 结果和分析209
7.5 本章小结218
参考文献219
第八章基于无监督学习的社交网络用户对齐方法222
8.1 问题定义224
8.1.1 符号与概念224
8.1.2 问题描述226
8.2 基于结构的无监督多网络用户对齐框架227
8.2.1 结构公共子空间227
8.2.2 多网络节点映射231
8.2.3 用户相似度计算233
8.3 联合优化算法234
8.3.1 公共子空间基 H234
8.3.2 对角锥矩阵 B239
8.3.3 复杂度分析242
8.4 实验与分析243
8.4.1 数据集243
8.4.2 评价指标246
8.4.3 对比方法247
8.4.4 参数设置248
8.4.5 主要结果和分析249
8.5 本章小结253
参考文献254
第九章基于迁移学习的社交网络用户对齐方法257
9.1 问题定义260
9.1.1 符号与概念260
9.1.2 问题描述262
9.2 REBORN框架262
9.2.1 Ego-Transformer：社交网络对齐262
9.2.2 WWGAN：领域差异消除267
9.2.3 REBORN：统一框架270
9.3 实验与分析272
9.3.1 数据集273
9.3.2 评价指标273
9.3.3 对比方法274
9.3.4 参数设置275
9.3.5 主要结果和分析277
9.4 本章小结283
参考文献284
第十章 基于双曲空间的社交网络社区对齐方法289
10.1 问题定义290
10.1.1 符号与概念290
10.1.2 问题描述291
10.2 基于双曲空间的社区对齐模型291
10.2.1 模型概述292
10.2.2 表征空间选择292
10.2.3 双曲空间与庞加莱球模型295
10.2.4 社交网络的双曲空间嵌入297
10.2.5 混合双曲聚类模型297
10.2.6 社区对齐的很优化问题298
10.3 基于黎曼几何的交替优化算法299
10.3.1 算法概述300
10.3.2 社区表征很优化子问题302
10.3.3 公共子空间很优化子问题304
10.3.4 可识别性分析306
10.4 实验与分析308
10.4.1 数据集308
10.4.2 评价指标309
10.4.3 对比方法309
10.4.4 参数设置311
10.4.5 结果和分析311
10.5 本章小结316
参考文献317
第十一章 社交网络中的用户推荐320
11.1 简介320
11.1.1用户推荐对社交网络的作用和意义320
11.1.2用户推荐系统架构321
11.2 基于传统的推荐 (经典方法)324
11.2.1 协同过滤User-CF Item-CF324
11.2.2 逻辑回归328
11.2.3 FM（Factorization Machine，因子分解机）329
11.2.4 GBDT + LR331
11.3 基于深度学习的推荐 (早期纯深度学习经典方法)333
11.3.1 Deep Crossing (2016)333
11.3.2 Neural CF335
11.3.3 PNN模型336
11.3.4 DIN 或 AFM (注意力机制引入)337
11.4 推荐在社交网络的具体应用339
11.4.1 注意力机制的实践339
11.4.2 自动学习路径递归342
11.4.3跨域推荐实现343
11.5 推荐的热点方向345
11.5.1 DIEN345
11.5.2自注意时序推荐346
11.5.3 BERT4Rec顺序推荐模型348
11.6 本章小结349
参考文献349
第十二章 社区发现352
12.1社区发现简介352
12.1.1 社区发现的背景353
12.1.2 社区发现的定义与预备知识354
12.1.3 社区发现的发展历史355
12.2基于卷积网络的社区发现方法358
12.2.1基于CNN的社区发现358
12.2.2基于GCN的社区发现367
12.3基于图注意力网络的社区发现方法375
12.3.1 MAGNN: 用于异质图嵌入的元路径聚合图神经网络375
12.3.2 DMGI：无监督的多重网络属性表示379
12.3.3HDMI: 高阶深度可复用信息网络382
12.4基于图对抗网络的社区发现方法384
12.4.1 JANE：联合对抗网络表示384
12.4.2 ProGAN: 通过近似生成对抗网络进行网络嵌入387
12.4.3 CANE：基于对抗训练的社区发现网络表示390
12.5基于自编码器的社区发现方法391
12.5.1 SDCN:结构式深度聚类网络391
12.5.2 MAGCN:多视点属性图卷积网络聚类模型397
12.5.3 One2Multi:基于多视图图聚类的图自编码器400
12.6 本章小结403
参考文献403
第十三章 社交网络骗局406
13.1 简介406
13.2 欺诈用户检测407
13.2.1概述407
13.2.2 图在欺诈用户检测中的应用408
13.2.3 基于图卷积神经网络的垃圾邮件检测411
13.2.4 基于强化学习检测伪装欺诈者415
13.3谣言检测417
13.3.1 概述417
13.3.2 基于双向图卷积网络(Bi-GCN)的谣言检测419
13.3.3基于事件增强的谣言检测422
13.3.4 基于图结构对抗学习的社交网络谣言检测424
13.3.5 基于联合学习的突发谣言检测428
13.4 虚假新闻检测431
13.4.1 概述431
13.4.2 基于用户可信度社交网络虚假新闻检测432
13.4.3 基于强化学习的弱监督虚假新闻检测435
13.4.4 基于迁移学习的虚假新闻检测439
13.5本章小节441
参考文献442
第十四章 社交网络趋势分析445
14.1 简介445
14.2 情感分析446
14.2.1 概述446
14.2.2 用于社交网络情感分析的卷积LSTM模型447
14.2.3 基于模糊规则的社交网络无监督情感分析450
14.2.4 面向多模态社交网络的舆情情感分析452
14.3 观点挖掘453
14.3.1 概述453
14.3.2基于词汇和机器学习的社交网络有用意见挖掘方法454
14.3.3 基于多模态多视图的观点挖掘456
14.3.4 基于交互式更新标签的新冠疫情观点挖掘459
14.4 热点事件分析461
14.4.1 概述461
14.4.2 社交网络中实时紧急热点识别系统462
14.4.3 基于知识的多模态社会热点分析463
14.4.4 社交热点的推特情感分析466
14.5 用户影响力分析469
14.5.1概述469
14.5.2衡量社交网络用户影响力的传统方法470
14.5.3 基于PageRank的微博用户影响力分析473
14.5.4 Github开发者社交网络用户影响分析476
14.6本章小节480
参考文献481
内容摘要
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。
主编推荐
1.作者所在学校具有深厚的计算机技术传承，所在实验室为网络与交换技术国家重点实验室。
2.目前市场社交网络书籍空白很大，在社交网络对齐方向还没有相关的学术专著，对丰富社交网络理论体系具有重要的意义。
3.理论与实际案例结合紧密，在系统详细地介绍5种社交网络对齐方法的模型、算法、实验的基础上，结合常见的用户推荐、虚假新闻监测等应用，分析如何在实际中运用上述理论。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价