社交网络对齐

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*优化子问题 198

7.3.3 本征矩阵*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*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*优化子问题 302

10.3.3 公共子空间*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