網(wǎng)絡(luò)嵌入：理論、方法和應(yīng)用
定 價：99.8 元
- 作者：楊成劉知遠涂存超石川孫茂松
- 出版時間：2023/9/1
- ISBN：9787115611420
- 出 版 社：人民郵電出版社
- 中圖法分類：TP18
- 頁碼：
- 紙張：膠版紙
- 版次：1
- 開本：16開
本書全面地介紹了網(wǎng)絡(luò)表示學(xué)習的基本概念、模型和應(yīng)用。本書從網(wǎng)絡(luò)嵌入的背景和興起開始介紹，為讀者提供一個整體的描述；通過對多個代表性方法的介紹，闡述了網(wǎng)絡(luò)嵌入技術(shù)的發(fā)展和基于矩陣分解的統(tǒng)一網(wǎng)絡(luò)嵌入框架；提出了結(jié)合附加信息的網(wǎng)絡(luò)嵌入方法——結(jié)合圖中節(jié)點屬性/內(nèi)容/標簽的網(wǎng)絡(luò)嵌入；面向不同特性圖結(jié)構(gòu)的網(wǎng)絡(luò)嵌入方法——面向具有社區(qū)結(jié)構(gòu)的/大規(guī)模的/異質(zhì)圖結(jié)構(gòu)的網(wǎng)絡(luò)嵌入。本書還進一步介紹了網(wǎng)絡(luò)嵌入的不同應(yīng)用，如推薦場景和信息擴散預(yù)測。本書的最后總結(jié)了這些方法和應(yīng)用，并展望了未來的研究方向。
1.全面揭秘網(wǎng)絡(luò)表示學(xué)習：詳細探討網(wǎng)絡(luò)嵌入技術(shù)的各個層面，從基本概念到各種創(chuàng)新方法，讓您全面了解網(wǎng)絡(luò)表示學(xué)習的理論和實踐，幫助您構(gòu)建完整的知識體系。
2.杰出作者團隊：作者是清華大學(xué)計算機科學(xué)系的研究團隊，在網(wǎng)絡(luò)嵌入學(xué)習、社會計算、自然語言處理等領(lǐng)域擁有深厚的研究背景和豐富的實踐經(jīng)驗。
3.深度解讀網(wǎng)絡(luò)嵌入應(yīng)用：不僅介紹了網(wǎng)絡(luò)嵌入的基本框架和方法，還進一步解析了網(wǎng)絡(luò)嵌入在實際生活中的應(yīng)用場景，如推薦系統(tǒng)設(shè)計和信息傳播預(yù)測等，讓您更深入地了解網(wǎng)絡(luò)嵌入技術(shù)的實用價值。
4.高品質(zhì)全彩印刷：本書采用全彩印刷，精美的設(shè)計及高質(zhì)量的輸出，讓您在閱讀的過程中享受視覺的盛宴。
楊成，北京郵電大學(xué)計算機學(xué)院副教授。他分別于 2014 年和 2019 年獲得清華大學(xué)計算機科學(xué)專業(yè)學(xué)士學(xué)位和博士學(xué)位。其研究方向包括網(wǎng)絡(luò)表示學(xué)習、社會計算和自然語言處理，在 IJCAI、ACL、ACM TOIS、IEEE TKDE 等top級會議和期刊上發(fā)表論文四十余篇，谷歌學(xué)術(shù)引用近四千次。
劉知遠，清華大學(xué)計算機科學(xué)與技術(shù)系副教授。他分別于在 2006 年和 2011 年獲得清華大學(xué)計算機科學(xué)與技術(shù)專業(yè)學(xué)士和博士學(xué)位。研究方向是自然語言處理和社會計算，在國際期刊和 IJCAI、AAAI、ACL、EMNLP 等會議上發(fā)表了六十余篇論文，谷歌學(xué)術(shù)應(yīng)用量超過一萬次。
涂存超，清華大學(xué)計算機科學(xué)與技術(shù)系博士后。他分別于 2013 年和 2018 年獲得清華大學(xué)計算機科學(xué)與技術(shù)專業(yè)學(xué)士和博士學(xué)位。其研究方向包括網(wǎng)絡(luò)表示學(xué)習、社會計算和法律智能，在 IEEE TKDE、AAAI、ACL、EMNLP 等國際期刊和會議上發(fā)表論文二十余篇。
石川，北京郵電大學(xué)計算機學(xué)院教授。其主要研究方向包括數(shù)據(jù)挖掘、機器學(xué)習和大數(shù)據(jù)分析。在數(shù)據(jù)挖掘方面的top級期刊和會議，如 IEEE TKDE、ACM TIST、KDD、WWW、AAAI 和 IJCAI 等，發(fā)表了相關(guān)論文一百余篇。
孫茂松，清華大學(xué)計算機科學(xué)與技術(shù)系教授，清華大學(xué)人工智能研究院常務(wù)副院長。其研究方向包括自然語言處理、互聯(lián)網(wǎng)智能、機器學(xué)習、社會計算和計算教育學(xué)，在各種top級會議和期刊上發(fā)表論文二百余篇，谷歌學(xué)術(shù)引用量超 1.5 萬次，并于 2020 年當選歐洲科學(xué)院外籍院士。
第 一部分 網(wǎng)絡(luò)嵌入介紹
第 1 章 網(wǎng)絡(luò)嵌入基礎(chǔ) 3
1.1 背景 3
1.2 網(wǎng)絡(luò)嵌入的興起 4
1.3 網(wǎng)絡(luò)嵌入的評估 5
1.3.1 節(jié)點分類 6
1.3.2 鏈接預(yù)測 6
1.3.3 節(jié)點聚類 6
第 2 章 一般圖的網(wǎng)絡(luò)嵌入 9
2.1 代表性方法 9
2.1.1 早期工作 (約 2001～2013) 9
2.1.2 近期工作（2014 至今） 10
2.2 理論：一種統(tǒng)一的網(wǎng)絡(luò)嵌入框架 13
2.2.1 k 階鄰近度 13
2.2.2 網(wǎng)絡(luò)表示學(xué)習框架 14
2.2.3 對比觀察 16
2.3 方法：網(wǎng)絡(luò)嵌入更新 17
2.3.1 問題形式化 17
2.3.2 近似算法 18
2.4 實驗 19
2.4.1 數(shù)據(jù)集 19
2.4.2 基線方法和實驗設(shè)置 20
2.4.3 多標簽分類 21
2.4.4 鏈接預(yù)測 22
2.4.5 實驗分析 22
2.5 擴展閱讀 23
第二部分 結(jié)合附加信息的網(wǎng)絡(luò)嵌入
第 3 章 結(jié)合節(jié)點屬性的網(wǎng)絡(luò)嵌入 27
3.1 概述 27
3.2 方法: 文本輔助 DeepWalk 28
3.2.1 低秩矩陣分解 29
3.2.2 TADW 算法 29
3.2.3 復(fù)雜度分析 30
3.3 實驗分析 30
3.3.1 數(shù)據(jù)集 31
3.3.2 TADW 設(shè)置 31
3.3.3 基線方法 31
3.3.4 分類器和實驗設(shè)置 32
3.3.5 實驗結(jié)果分析 32
3.3.6 案例分析 34
3.4 擴展閱讀 34
第 4 章 回顧結(jié)合節(jié)點屬性的網(wǎng)絡(luò)嵌入：一種基于圖卷積網(wǎng)絡(luò)的視角 37
4.1 基于圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)嵌入 37
4.1.1 圖卷積網(wǎng)絡(luò) 37
4.1.2 基于圖卷積網(wǎng)絡(luò)的屬性圖嵌入 35
4.1.3 討論 39
4.2 方法：自適應(yīng)圖編碼器 40
4.2.1 問題形式化 40
4.2.2 總體框架 40
4.2.3 拉普拉斯平滑濾波器 41
4.2.4 自適應(yīng)編碼器 43
4.3 實驗分析 46
4.3.1 數(shù)據(jù)集 46
4.3.2 基線方法 46
4.3.3 評估指標和參數(shù)設(shè)置 47
4.3.4 節(jié)點聚類結(jié)果 48
4.3.5 鏈接預(yù)測結(jié)果 48
4.3.6 GAE 與 LS+RA 49
4.3.7 消融實驗 49
4.3.8 k 值的選取 50
4.3.9 可視化 52
4.4 擴展閱讀 53
第 5 章 結(jié)合節(jié)點內(nèi)容的網(wǎng)絡(luò)嵌入 55
5.1 概述 55
5.2 方法：上下文感知網(wǎng)絡(luò)嵌入 56
5.2.1 問題形式化 56
5.2.2 總體框架 57
5.2.3 基于結(jié)構(gòu)的目標 57
5.2.4 基于文本的目標 58
5.2.5 上下文無關(guān)的文本表示 58
5.2.6 上下文感知的文本表示 59
5.2.7 CANE 的優(yōu)化 61
5.3 實驗分析 61
5.3.1 數(shù)據(jù)集 61
5.3.2 基線方法 62
5.3.3 評估指標和實驗設(shè)置 62
5.3.4 鏈接預(yù)測 63
5.3.5 節(jié)點分類 64
5.3.6 案例分析 65
5.4 擴展閱讀 66
第 6 章 結(jié)合節(jié)點標簽的網(wǎng)絡(luò)嵌入 69
6.1 概述 69
6.2 方法：最大間隔 DeepWalk 69
6.2.1 問題形式化 70
6.2.2 基于矩陣分解的 DeepWalk 70
6.2.3 最大間隔 DeepWalk 71
6.2.4 MMDW 的優(yōu)化 71
6.3 實驗分析 73
6.3.1 數(shù)據(jù)集和實驗設(shè)置 73
6.3.2 基線方法 73
6.3.3 實驗結(jié)果和分析 74
6.3.4 可視化 75
6.4 擴展閱讀 76
第三部分 面向不同特性圖結(jié)構(gòu)的網(wǎng)絡(luò)嵌入
第 7 章 面向具有社區(qū)結(jié)構(gòu)的圖的網(wǎng)絡(luò)嵌入 79
7.1 概述 79
7.2 方法：社區(qū)增強的網(wǎng)絡(luò)表示學(xué)習 80
7.2.1 問題形式化 81
7.2.2 DeepWalk 81
7.2.3 社區(qū)增強的 DeepWalk 81
7.3 實驗分析 84
7.3.1 數(shù)據(jù)集 84
7.3.2 基線方法 84
7.3.3 評測指標和參數(shù)設(shè)置 85
7.3.4 節(jié)點分類 86
7.3.5 鏈接預(yù)測 86
7.3.6 社區(qū)發(fā)現(xiàn) 87
7.3.7 發(fā)現(xiàn)社區(qū)的可視化 87
7.4 擴展閱讀 88
第 8 章 面向大規(guī)模圖的網(wǎng)絡(luò)嵌入 91
8.1 概述 92
8.2 方法：壓縮式網(wǎng)絡(luò)嵌入 93
8.2.1 問題形式化 94
8.2.2 圖劃分 94
8.2.3 組映射 95
8.2.4 組聚合 96
8.2.5 目標函數(shù)和優(yōu)化 96
8.3 實驗分析 97
8.3.1 數(shù)據(jù)集 97
8.3.2 基線方法和實驗設(shè)置 98
8.3.3 鏈接預(yù)測 99
8.3.4 多標簽分類 99
8.3.5 可擴展性 102
8.3.6 時間效率 103
8.3.7 不同的圖劃分算法 104
8.4 擴展閱讀 105
第 9 章 面向異質(zhì)圖的網(wǎng)絡(luò)嵌入 107
9.1 概述 107
9.2 方法：關(guān)系結(jié)構(gòu)感知的異質(zhì)圖嵌入 109
9.2.1 問題形式化 109
9.2.2 數(shù)據(jù)觀察 109
9.2.3 基本思想 111
9.2.4 附屬關(guān)系和交互關(guān)系的建模 112
9.2.5 異質(zhì)圖嵌入的統(tǒng)一模型 113
9.3 實驗分析 113
9.3.1 數(shù)據(jù)集 113
9.3.2 基線方法 113
9.3.3 參數(shù)設(shè)置 114
9.3.4 節(jié)點聚類 114
9.3.5 鏈接預(yù)測 115
9.3.6 節(jié)點分類 115
9.3.7 變體模型的比較 116
9.3.8 可視化 117
9.4 擴展閱讀 118
第四部分 網(wǎng)絡(luò)嵌入應(yīng)用
第 10 章 面向社會關(guān)系抽取的網(wǎng)絡(luò)嵌入 123
10.1 概述 123
10.2 方法: 平移網(wǎng)絡(luò) 124
10.2.1 問題形式化 124
10.2.2 平移機制 124
10.2.3 邊表示構(gòu)建 126
10.2.4 整體模型 127
10.2.5 預(yù)測 127
10.3 實驗分析 128
10.3.1 數(shù)據(jù)集 128
10.3.2 基線模型 128
10.3.3 評測指標和實驗設(shè)置 129
10.3.4 實驗結(jié)果和分析 129
10.3.5 標簽對比 130
10.3.6 案例分析 131
10.4 擴展閱讀 131
第 11 章 面向基于位置的社交網(wǎng)絡(luò)推薦系統(tǒng)的網(wǎng)絡(luò)嵌入 133
11.1 概述 133
11.2 方法: 網(wǎng)絡(luò)與軌跡聯(lián)合模型 135
11.2.1 問題形式化 135
11.2.2 社交網(wǎng)絡(luò)構(gòu)建建模 136
11.2.3 移動軌跡生成建模 137
11.2.4 整體模型 141
11.2.5 參數(shù)學(xué)習 142
11.3 實驗分析 143
11.3.1 數(shù)據(jù)集 143
11.3.2 評估任務(wù)與基線方法 144
11.3.3 下一個位置推薦任務(wù)實驗結(jié)果 145
11.3.4 好友推薦任務(wù)實驗結(jié)果 148
11.4 擴展閱讀 149
第 12 章 面向信息傳播預(yù)測的網(wǎng)絡(luò)嵌入 153
12.1 概述 153
12.2 方法：神經(jīng)傳播模型 155
12.2.1 問題形式化 155
12.2.2 模型假設(shè) 156
12.2.3 使用注意力機制提取活躍用戶 157
12.2.4 使用卷積神經(jīng)網(wǎng)絡(luò)聚合活躍用戶表示進行預(yù)測 158
12.2.5 整體架構(gòu)、模型細節(jié)和學(xué)習算法 159
12.3 實驗分析 159
12.3.1 數(shù)據(jù)集 160
12.3.2 基線模型 160
12.3.3 超參數(shù)設(shè)置 161
12.3.4 微觀級別的傳播預(yù)測 161
12.3.5 網(wǎng)絡(luò)嵌入的好處 163
12.3.6 可解釋性 164
12.4 擴展閱讀 165
第五部分 網(wǎng)絡(luò)嵌入展望
第 13 章 網(wǎng)絡(luò)嵌入的未來方向 169
13.1 基于先進技術(shù)的網(wǎng)絡(luò)嵌入 169
13.2 更細粒度場景中的網(wǎng)絡(luò)嵌入 169
13.3 具有更好的可解釋性的網(wǎng)絡(luò)嵌入 170
13.4 面向應(yīng)用的網(wǎng)絡(luò)嵌入 170
參考文獻 171
書單推薦
