正版新书]社交网络对齐张忠宝9787115622150

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
3.2.1DeepWalk 77
3.2.2 Node2vec 80
3.2.3 Metapath2vec 82
3.3 基于深度学习的图表示学习 85
3.3.1 GraphSAGE 85
3.3.2 VGAE 88
3.3.3 GraphCL 91
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 H 234
8.3.2 对角锥矩阵 B 239
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-CF 324
11.2.2 逻辑回归 328
11.2.3 FM（Factorization Machine，因子分解机） 329
11.2.4 GBDT + LR 331
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 CF 335
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 DIEN 345
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

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。

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。