网络嵌入:理论、方法和应用

第 一部分 网络嵌入介绍

第 1 章 网络嵌入基础 3

1.1 背景 3

1.2 网络嵌入的兴起 4

1.3 网络嵌入的评估 5

1.3.1 节点分类 6

1.3.2 链接预测 6

1.3.3 节点聚类 6

第 2 章 一般图的网络嵌入 9

2.1 代表性方法 9

2.1.1 早期工作 (约 2001～2013) 9

2.1.2 近期工作（2014 至今） 10

2.2 理论：一种统一的网络嵌入框架 13

2.2.1 k 阶邻近度 13

2.2.2 网络表示学习框架 14

2.2.3 对比观察 16

2.3 方法：网络嵌入更新 17

2.3.1 问题形式化 17

2.3.2 近似算法 18

2.4 实验 19

2.4.1 数据集 19

2.4.2 基线方法和实验设置 20

2.4.3 多标签分类 21

2.4.4 链接预测 22

2.4.5 实验分析 22

2.5 扩展阅读 23

第二部分 结合附加信息的网络嵌入

第 3 章 结合节点属性的网络嵌入 27

3.1 概述 27

3.2 方法: 文本辅助 DeepWalk 28

3.2.1 低秩矩阵分解 29

3.2.2 TADW 算法 29

3.2.3 复杂度分析 30

3.3 实验分析 30

3.3.1 数据集 31

3.3.2 TADW 设置 31

3.3.3 基线方法 31

3.3.4 分类器和实验设置 32

3.3.5 实验结果分析 32

3.3.6 案例分析 34

3.4 扩展阅读 34

第 4 章 回顾结合节点属性的网络嵌入：一种基于图卷积网络的视角 37

4.1 基于图卷积网络的网络嵌入 37

4.1.1 图卷积网络 37

4.1.2 基于图卷积网络的属性图嵌入 35

4.1.3 讨论 39

4.2 方法：自适应图编码器 40

4.2.1 问题形式化 40

4.2.2 总体框架 40

4.2.3 拉普拉斯平滑滤波器 41

4.2.4 自适应编码器 43

4.3 实验分析 46

4.3.1 数据集 46

4.3.2 基线方法 46

4.3.3 评估指标和参数设置 47

4.3.4 节点聚类结果 48

4.3.5 链接预测结果 48

4.3.6 GAE 与 LS RA 49

4.3.7 消融实验 49

4.3.8 k 值的选取 50

4.3.9 可视化 52

4.4 扩展阅读 53

第 5 章 结合节点内容的网络嵌入 55

5.1 概述 55

5.2 方法：上下文感知网络嵌入 56

5.2.1 问题形式化 56

5.2.2 总体框架 57

5.2.3 基于结构的目标 57

5.2.4 基于文本的目标 58

5.2.5 上下文无关的文本表示 58

5.2.6 上下文感知的文本表示 59

5.2.7 CANE 的优化 61

5.3 实验分析 61

5.3.1 数据集 61

5.3.2 基线方法 62

5.3.3 评估指标和实验设置 62

5.3.4 链接预测 63

5.3.5 节点分类 64

5.3.6 案例分析 65

5.4 扩展阅读 66

第 6 章 结合节点标签的网络嵌入 69

6.1 概述 69

6.2 方法：*大间隔 DeepWalk 69

6.2.1 问题形式化 70

6.2.2 基于矩阵分解的 DeepWalk 70

6.2.3 *大间隔 DeepWalk 71

6.2.4 MMDW 的优化 71

6.3 实验分析 73

6.3.1 数据集和实验设置 73

6.3.2 基线方法 73

6.3.3 实验结果和分析 74

6.3.4 可视化 75

6.4 扩展阅读 76

第三部分 面向不同特性图结构的网络嵌入

第 7 章 面向具有社区结构的图的网络嵌入 79

7.1 概述 79

7.2 方法：社区增强的网络表示学习 80

7.2.1 问题形式化 81

7.2.2 DeepWalk 81

7.2.3 社区增强的 DeepWalk 81

7.3 实验分析 84

7.3.1 数据集 84

7.3.2 基线方法 84

7.3.3 评测指标和参数设置 85

7.3.4 节点分类 86

7.3.5 链接预测 86

7.3.6 社区发现 87

7.3.7 发现社区的可视化 87

7.4 扩展阅读 88

第 8 章 面向大规模图的网络嵌入 91

8.1 概述 92

8.2 方法：压缩式网络嵌入 93

8.2.1 问题形式化 94

8.2.2 图划分 94

8.2.3 组映射 95

8.2.4 组聚合 96

8.2.5 目标函数和优化 96

8.3 实验分析 97

8.3.1 数据集 97

8.3.2 基线方法和实验设置 98

8.3.3 链接预测 99

8.3.4 多标签分类 99

8.3.5 可扩展性 102

8.3.6 时间效率 103

8.3.7 不同的图划分算法 104

8.4 扩展阅读 105

第 9 章 面向异质图的网络嵌入 107

9.1 概述 107

9.2 方法：关系结构感知的异质图嵌入 109

9.2.1 问题形式化 109

9.2.2 数据观察 109

9.2.3 基本思想 111

9.2.4 附属关系和交互关系的建模 112

9.2.5 异质图嵌入的统一模型 113

9.3 实验分析 113

9.3.1 数据集 113

9.3.2 基线方法 113

9.3.3 参数设置 114

9.3.4 节点聚类 114

9.3.5 链接预测 115

9.3.6 节点分类 115

9.3.7 变体模型的比较 116

9.3.8 可视化 117

9.4 扩展阅读 118

第四部分 网络嵌入应用

第 10 章 面向社会关系抽取的网络嵌入 123

10.1 概述 123

10.2 方法: 平移网络 124

10.2.1 问题形式化 124

10.2.2 平移机制 124

10.2.3 边表示构建 126

10.2.4 整体模型 127

10.2.5 预测 127

10.3 实验分析 128

10.3.1 数据集 128

10.3.2 基线模型 128

10.3.3 评测指标和实验设置 129

10.3.4 实验结果和分析 129

10.3.5 标签对比 130

10.3.6 案例分析 131

10.4 扩展阅读 131

第 11 章 面向基于位置的社交网络推荐系统的网络嵌入 133

11.1 概述 133

11.2 方法: 网络与轨迹联合模型 135

11.2.1 问题形式化 135

11.2.2 社交网络构建建模 136

11.2.3 移动轨迹生成建模 137

11.2.4 整体模型 141

11.2.5 参数学习 142

11.3 实验分析 143

11.3.1 数据集 143

11.3.2 评估任务与基线方法 144

11.3.3 下一个位置推荐任务实验结果 145

11.3.4 好友推荐任务实验结果 148

11.4 扩展阅读 149

第 12 章 面向信息传播预测的网络嵌入 153

12.1 概述 153

12.2 方法：神经传播模型 155

12.2.1 问题形式化 155

12.2.2 模型假设 156

12.2.3 使用注意力机制提取活跃用户 157

12.2.4 使用卷积神经网络聚合活跃用户表示进行预测 158

12.2.5 整体架构、模型细节和学习算法 159

12.3 实验分析 159

12.3.1 数据集 160

12.3.2 基线模型 160

12.3.3 超参数设置 161

12.3.4 微观级别的传播预测 161

12.3.5 网络嵌入的好处 163

12.3.6 可解释性 164

12.4 扩展阅读 165

第五部分 网络嵌入展望

第 13 章 网络嵌入的未来方向 169

13.1 基于先进技术的网络嵌入 169

13.2 更细粒度场景中的网络嵌入 169

13.3 具有更好的可解释性的网络嵌入 170

13.4 面向应用的网络嵌入 170

参考文献 171