本書分為基礎知識、社交網絡對齊方法、社交網絡對齊分析三部分，針對社交網絡對齊中的用戶對齊與社區(qū)對齊場景，系統(tǒng)地介紹了社交網絡對齊關鍵技術體系及其應用。
在基礎知識部分，定義了社交網絡并進行建模，介紹后續(xù)方法中所涉及的GNN、圖表示學習、知識圖譜表示等。在社交網絡方法部分，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絡對齊方法：靜態(tài)的社交網絡用戶對齊方法、動態(tài)的社交網絡用戶對齊方法、基于無監(jiān)督學習的社交網絡用戶對齊方法、基于遷移學習的社交網絡用戶對齊方法、基于雙曲空間的社交網絡社區(qū)對齊方法。在社交網絡對齊分析部分，對用戶推薦、社區(qū)發(fā)現(xiàn)、網絡騙局、趨勢分析等涉及實際社交網絡對齊技術的應用進行案例分析，總結并展望了社交網絡的未來發(fā)展趨勢及待解決問題。
1.作者所在學校具有深厚的計算機技術傳承，所在實驗室為網絡與交換技術國家重點實驗室。
2.目前市場社交網絡書籍空白很大，在社交網絡對齊方向還沒有相關的學術專著，對豐富社交網絡理論體系具有重要的意義。
3.理論與實際案例結合緊密，在系統(tǒng)詳細地介紹5種社交網絡對齊方法的模型、算法、實驗的基礎上，結合常見的用戶推薦、虛假新聞監(jiān)測等應用，分析如何在實際中運用上述理論。
張忠寶，長期從事社交網絡分析、大數(shù)據(jù)處理領域研究工作。在該領域，創(chuàng)新性地提出了一系列針對靜態(tài)和動態(tài)場景、用戶和社區(qū)粒度的社交網絡對齊方法，提出了一系列基于融合的跨社交網絡用戶畫像和分析方法，并研發(fā)了一個社交網絡對齊與分析平臺。該平臺在相關領域得到了重要應用，實現(xiàn)了跨社交網絡賬號的關聯(lián)和融合分析，獲得了有關部門的肯定和認可。申請人以第一或通信作者身份發(fā)表CCF A類論文8篇。作為課題負責人主持國家重點研發(fā)計劃項目課題1項，主持國家自然科學基金項目2項，包括聯(lián)合基金培育項目1項（大數(shù)據(jù)環(huán)境下的人物身份消歧與融合算法，U1936103）和青年基金項目1項（動態(tài)環(huán)境下的虛擬網絡映射方法研究，61602050），以主研人參與國家重點研發(fā)計劃課題、國家自然科學基金創(chuàng)新研究群體項目和國家自然科學基金重點項目各1項。 申請人取得的主要研究成果有：1）在靜態(tài)社交網絡對齊方面，提出了一種魯棒的、可充分利用多社交網絡信息的用戶對齊方法，實現(xiàn)了多個社交網絡間高效率、高準確率的用戶對齊（IJCAI 2018、TKDE 2021）；2）在動態(tài)用戶對齊方面，提出了一種基于循環(huán)神經網絡的社交網絡用戶對齊方法和一種基于用戶行為分析的社交網絡用戶對齊方法，提高了對齊的準確率（IJCAI 2020、AAAI 2021、AAAI 2022）；3）在知識圖譜表示方面，提出了一種基于狄利克雷分布的知識圖譜表示方法，提升了表示的準確性（WWW 2022）。 在社會服務方面，擔任中國計算機學會服務計算專委會秘書處成員，中國人工智能學會委員，中國計算機學會大數(shù)據(jù)專委會通訊委員。擔任IEEE TKDE、AAAI、IEEE TNSM、Information Science、Computer Network、Globecom、ICC等20余個知名國際期刊審稿人/PC member。
第 一章 社交網絡 11
1.1 社交網絡與圖 11
1.1.1 社交網絡 12
1.1.2 社交網絡的形式化表達 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 社交網絡建模 37
1.3.1 小世界理論和六度空間 38
1.3.2 ER隨機網絡模型 38
1.3.3 WS小世界網絡模型 40
1.3.4 Barabási無標度網絡模型 42
1.4 本章小結 44
參考文獻 44
第二章 圖神經網絡 46
2.1 圖神經網絡基礎 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 圖神經網絡 55
2.2 圖卷積網絡 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 圖注意力網絡 67
2.3.1 注意力機制 67
2.3.2 圖注意力網絡 69
2.4 本章小結 70
參考文獻 71
第三章 圖表示學習及其應用 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 基于隨機游走的圖表示學習 76
3.2.1DeepWalk 77
3.2.2 Node2vec 80
3.2.3 Metapath2vec 82
3.3 基于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(jié) 94
參考文獻 94
第四章 基于微分方程的動態(tài)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 基于微分方程的動態(tài)圖網絡表示學習算法 102
4.2.1 算法框架 102
4.2.2 初始化 103
4.2.3 節(jié)點鄰居采樣 105
4.2.4 聚合操作 106
4.2.5 自定義損失函數(shù)與端到端優(yōu)化 110
4.2.6 性能分析 111
4.3 基于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(shù)據(jù)集 118
4.4.2 評價指標 119
4.4.3 對比方法 120
4.4.4 參數(shù)設置 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 基于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 優(yōu)化目標 139
5.3 DiriE表現(xiàn)能力理論分析 140
5.3.1 實體與關系的二元嵌入 140
5.3.2 復雜關系的表現(xiàn)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(shù)據(jù)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 關系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(tài)的社交網絡用戶對齊方法 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 基于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 非凸解耦的交替優(yōu)化算法 162
6.2.4 收斂性分析 166
6.3 基于模糊聚類的并行化對齊方法 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(shù)據(jù)集 176
6.4.2 評價指標 177
6.4.3 對比方法 177
6.4.4 參數(shù)設置 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(tài)的社交網絡用戶對齊方法 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 基于圖神經網絡的聯(lián)合優(yōu)化模型 191
7.2.1 模型概述 192
7.2.2 動態(tài)圖自編碼機 193
7.2.3 本征表示學習 195
7.2.4 聯(lián)合優(yōu)化模型 196
7.3 協(xié)同圖深度學習的交替優(yōu)化算法 196
7.3.1 算法概述 197
7.3.2 投影矩陣最優(yōu)化子問題 198
7.3.3 本征矩陣最優(yōu)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(shù)據(jù)集 206
7.4.2 評價指標 207
7.4.3 對比方法 207
7.4.4 參數(shù)設置 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 基于無監(jiān)督學習的社交網絡用戶對齊方法 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 基于結構的無監(jiān)督多網絡用戶對齊框架 227
8.2.1 結構公共子空間 227
8.2.2 多網絡節(jié)點映射 231
8.2.3 用戶相似度計算 233
8.3 聯(lián)合優(yōu)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 復雜度分析 242
8.4 實驗與分析 243
8.4.1 數(shù)據(jù)集 243
8.4.2 評價指標 246
8.4.3 對比方法 247
8.4.4 參數(shù)設置 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 基于遷移學習的社交網絡用戶對齊方法 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：社交網絡對齊 262
9.2.2 WWGAN：領域差異消除 267
9.2.3 REBORN：統(tǒng)一框架 270
9.3 實驗與分析 272
9.3.1 數(shù)據(jù)集 273
9.3.2 評價指標 273
9.3.3 對比方法 274
9.3.4 參數(shù)設置 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 基于雙曲空間的社交網絡社區(qū)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 基于雙曲空間的社區(qū)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 社交網絡的雙曲空間嵌入 297
10.2.5 混合雙曲聚類模型 297
10.2.6 社區(qū)對齊的最優(yōu)化問題 298
10.3 基于黎曼幾何的交替優(yōu)化算法 299
10.3.1 算法概述 300
10.3.2 社區(qū)表征最優(yōu)化子問題 302
10.3.3 公共子空間最優(yōu)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(shù)據(jù)集 308
10.4.2 評價指標 309
10.4.3 對比方法 309
10.4.4 參數(shù)設置 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 社交網絡中的用戶推薦 320
11.1 簡介 320
11.1.1用戶推薦對社交網絡的作用和意義 320
11.1.2用戶推薦系統(tǒng)架構 321
11.2 基于傳統(tǒng)的推薦 (經典方法) 324
11.2.1 協(xié)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 基于深度學習的推薦 (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 推薦在社交網絡的具體應用 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(xiàn) 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(qū)發(fā)現(xiàn) 352
12.1社區(qū)發(fā)現(xiàn)簡介 352
12.1.1 社區(qū)發(fā)現(xiàn)的背景 353
12.1.2 社區(qū)發(fā)現(xiàn)的定義與預備知識 354
12.1.3 社區(qū)發(fā)現(xiàn)的發(fā)展歷史 355
12.2基于卷積網絡的社區(qū)發(fā)現(xiàn)方法 358
12.2.1基于CNN的社區(qū)發(fā)現(xiàn) 358
12.2.2基于GCN的社區(qū)發(fā)現(xiàn) 367
12.3基于圖注意力網絡的社區(qū)發(fā)現(xiàn)方法 375
12.3.1 MAGNN: 用于異質圖嵌入的元路徑聚合圖神經網絡 375
12.3.2 DMGI：無監(jiān)督的多重網絡屬性表示 379
12.3.3HDMI: 高階深度可復用信息網絡 382
12.4基于圖對抗網絡的社區(qū)發(fā)現(xiàn)方法 384
12.4.1 JANE：聯(lián)合對抗網絡表示 384
12.4.2 ProGAN: 通過近似生成對抗網絡進行網絡嵌入 387
12.4.3 CANE：基于對抗訓練的社區(qū)發(fā)現(xiàn)網絡表示 390
12.5基于自編碼器的社區(qū)發(fā)現(xiàn)方法 391
12.5.1 SDCN:結構式深度聚類網絡 391
12.5.2 MAGCN:多視點屬性圖卷積網絡聚類模型 397
12.5.3 One2Multi:基于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 社交網絡騙局 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應用 408
13.2.3 基于圖卷積神經網絡的垃圾郵件檢測 411
13.2.4 基于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 基于雙向圖卷積網絡(Bi-GCN)的謠言檢測 419
13.3.3基于事件增強的謠言檢測 422
13.3.4 基于圖結構對抗學習的社交網絡謠言檢測 424
13.3.5 基于聯(lián)合學習的突發(fā)謠言檢測 428
13.4 虛假新聞檢測 431
13.4.1 概述 431
13.4.2 基于用戶可信度社交網絡虛假新聞檢測 432
13.4.3 基于強化學習的弱監(jiān)督虛假新聞檢測 435
13.4.4 基于遷移學習的虛假新聞檢測 439
13.5本章小節(jié) 441
參考文獻 442
第十四章 社交網絡趨勢分析 445
14.1 簡介 445
14.2 情感分析 446
14.2.1 概述 446
14.2.2 用于社交網絡情感分析的卷積LSTM模型 447
14.2.3 基于模糊規(guī)則的社交網絡無監(jiān)督情感分析 450
14.2.4 面向多模態(tài)社交網絡的輿情情感分析 452
14.3 觀點挖掘 453
14.3.1 概述 453
14.3.2基于詞匯和機器學習的社交網絡有用意見挖掘方法 454
14.3.3 基于多模態(tài)多視圖的觀點挖掘 456
14.3.4 基于交互式更新標簽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 社交網絡中實時緊急熱點識別系統(tǒng) 462
14.4.3 基于知識的多模態(tài)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衡量社交網絡用戶影響力的傳統(tǒng)方法 470
14.5.3 基于PageRank的微博用戶影響力分析 473
14.5.4 Github開發(fā)者社交網絡用戶影響分析 476
14.6本章小節(jié) 480
參考文獻 481
書單推薦
