复杂网络建模与行为分析
全新正版 极速发货
￥ 74.8 5.8折 ￥ 129 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者刘小洋|
出版社国防工业
ISBN9787118133875
出版时间2024-06
装帧其他
开本其他
定价129元
货号32136574
上书时间2024-07-31
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
刘小洋，教授，博士博士后，硕士生导师，CCF杰出会员，重庆市巴南区“菁英计划”高层次创新人才，重庆市研究生联合培养基地负责人，重庆市专业学位研究生案例库负责人，重庆理工大学士继英才“领军人才”。IEEE、ACM会员；中国人工智能学会CAAI社会计算与社会智能专委会会员、中国工业与应用数学学会CSIAM复杂网络与复杂系统专委会会员；《计算机应用研究》等核心期刊编委。
目录
目 录第1章 复杂网络概述11.1 复杂网络基本理论概述11.1.1 复杂网络基本定义11.1.2 复杂网络统计特性21.1.3 拓扑结构属性41.2复杂网络模型51.2.1规则网络51.2.2随机网络61.2.3小世界网络71.2.4无标度网络81.3 本章小结12参考文献：13第2章 基于网络结构的复杂网络影响力节点识别方法152.1 相关研究工作152.1.1 社区划分152.1.2 优劣解距离法162.2 基于网络结构和TOPSIS的影响力节点识别框架182.2.1邻域覆盖策略182.2.2基于K-shell和邻域覆盖的影响力节点识别框架202.2.3基于社区和邻域覆盖的影响力节点识别框架212.3 实验设置222.3.1 数据集222.3.2 性能指标232.4 实验结果和分析252.4.1 SIR模型和SI模型仿真分析252.4.2 种子节点分散程度分析302.5 本章小结32参考文献：32第3章 基于社区的复杂网络影响力最大化建模343.1 问题分析和研究动机343.1.1问题分析343.1.2研究动机353.2 相关研究工作353.2.1 反向生成网络353.2.2 图遍历算法363.3 基于社区的反向生成网络影响力最大化框架373.3.1 社区划分383.3.2 候选节点集生成383.3.3 选择影响力节点413.4 实验设置433.4.1 数据集433.4.2 性能指标443.4.3 基线算法453.5 实验结果及分析463.5.1 鲁棒性分析463.5.2 传播规模分析483.5.3 平均最短路径长度分析503.6 本章小结51参考文献：51第4章 基于图注意力的复杂网络影响力最大化模型534.1 相关研究工作534.1.1 图注意力网络534.1.2 信息熵544.2 影响力最大化模型IMGAT554.2.1 训练数据集554.2.2 模型结构564.3实验结果及分析564.3.1 实验数据集564.3.2 SIR模型分析574.3.3 最小种子节点集分析584.4 本章总结60参考文献：60第5章 基于时空注意力异构图卷积神经网络的用户转发预测行为分析625.1 图卷积神经网络625.1.1 图数据表示625.1.2 图卷积神经网络635.1.3 GCN的应用领域645.2 长短期记忆递归神经网络(LSTM)655.2.1 RNN655.2.2 LSTM的结构655.2.3 LSTM优势675.2.4 LSTM应用675.3 注意力机制685.3.1 注意力机制的基本概念685.3.2 注意力模型的演进历程695.3.3 注意力机制的原理695.3.4 注意力模型的应用715.4问题描述725.5 用户转发行为预测方法735.5.1 用户表示的学习745.5.2 用户表示融合机制755.5.3 用户转发行为预测775.4 实验结果与分析795.4.1 数据集及基线模型795.4.2 实验设置805.4.3 实验结果与分析815.5本章小结87参考文献：87第6章 融合超图注意力机制与图卷积网络的用户转发行为906.1 问题描述906.2 用户转发行为预测模型906.2.1 用户社交关系的学习916.2.2 用户全局偏好学习926.2.3 用户转发行为预测936.3 实验结果与分析956.3.1 数据集956.3.2 实验设置966.3.3 实验结果与分析976.4 本章小结101参考文献：102第7章 基于边学习的多特征融合谣言检测方法1047.1 谣言检测与文本分类技术1047.2 谣言传播特征1057.3 词嵌入模型1077.4 深度学习相关技术1107.4.1 注意力机制1107.4.2 图卷积网络1127.5 评价指标1147.6 基于边学习的多特征融合谣言检测模型1147.6.1 传播结构图构建1147.6.2 模型构建1167.6.3 边学习传播结构特征提取1187.6.4 文本语义特征提取1187.7 预测及分类1207.8 实验结果与分析1207.8.1 数据集及基准模型介绍1207.8.2 结果与分析1227.9 本章小结125参考文献：125第8章 融合双重注意力机制和图卷积的谣言传播检测行为分析1288.1 引言1288.2 融合双重注意力机制和图卷积的谣言检测模型1308.2.1 模型框架1308.2.2 交互性文本语义特征提取1318.2.3 抗干扰传播结构特征提取1328.3 实验结果与分析1338.3.1 实验设置1338.3.2 结果与分析1348.3.3 消融实验结果与分析1378.3.4 早期检测能力实验结果与分析1398.4 本章小结140参考文献：141第9章 异质图自注意力社交推荐行为分析1429.1推荐系统简介1429.1.1推荐系统概述1429.1.2传统推荐算法概述1439.1.3评价指标1469.2异质信息网络1479.2.1 定义1479.2.2 网络模式1489.2.3 元路径1489.3图神经网络1499.3.1 图神经网络概述1499.3.2 推荐系统中图神经网络的应用1529.4自注意力机制1589.5异质图注意力卷积社交推荐模型架构1609.5.1初始化嵌入层1609.5.2 多头节点自注意力层1619.5.3 图卷积层1629.5.4 社交语义融合层1639.5.5 推荐预测1639.6 模型训练1639.7 实验1639.7.1 数据集和基线模型1639.7.2 实验设置1649.7.3 实验结果1659.8本章小结166参考文献：167第10章 融合社交关系的图卷积协同过滤推荐行为分析17010.1 前提知识17010.1.1 社交高阶连通性17010.1.2 交互高阶连通性17010.2 模型架构17110.2.1 初始化嵌入层17210.2.2 语义聚合层17210.2.3 语义融合层17310.2.4 预测层17410.3 模型训练17610.4 实验17610.4.1 数据集与基线模型17610.4.2 实验设置17710.4.3 实验结果17810.5 本章小结180参考文献： 180
内容摘要
本书主要包括复杂网络统计特性、经典四种复杂网络模型、复杂网络影响力节点挖掘、复杂网络用户转发行为分析与预测等内容，重点阐述基于时空注意力异构图卷积神经网络的用户转发预测行为分析及融合社交关系的图卷积协同过滤推荐行为分析，列举了基于图注意力的复杂网络影响力最大化模型和基于边学习的多特征融合谣言检测模型的经典使用案例。
— 没有更多了 —
以下为对购买帮助不大的评价