社會機器學習

目錄
前言
第1章 緒論 1
1.1 認知與學習 1
1.1.1 格式塔學派頓悟說 2
1.1.2 現(xiàn)代認知學習理論 2
1.2 網(wǎng)絡化社會 3
1.2.1 大數(shù)據(jù)化社會 5
1.2.2 物聯(lián)化社會 6
1.2.3 智慧化社會 7
1.3 社會認知和學習 8
1.4 機器學習 10
1.5 社會機器學習 11
1.5.1 概念 11
1.5.2 主要功能 17
第2章 機器學習理論 21
2.1 人工智能技術發(fā)展背景 21
2.1.1 發(fā)展歷程 22
2.1.2 研究內容 23
2.2 典型機器學習算法 32
2.2.1 線性回歸算法 32
2.2.2 邏輯回歸算法 33
2.2.3 決策樹算法 33
2.2.4 基于實例的算法 34
2.2.5 貝葉斯算法 35
2.2.6 關聯(lián)規(guī)則學習 36
2.2.7 集成學習 36
2.3 深度學習 37
2.3.1 監(jiān)督學習 38
2.3.2 多層神經(jīng)網(wǎng)絡訓練 40
2.3.3 卷積神經(jīng)網(wǎng)絡 41
2.3.4 分布式特征表示 44
2.3.5 遞歸神經(jīng)網(wǎng)絡 45
2.3.6 未來展望 46
2.4 類腦機器學習 47
2.4.1 類腦記憶 47
2.4.2 類腦計算 49
第3章 社會聚類學習 52
3.1 問題背景 52
3.2 社會網(wǎng)絡特征結構發(fā)現(xiàn) 53
3.3 社會網(wǎng)絡的超圖模型 56
3.3.1 超圖的基本概念 57
3.3.2 模型要素與特征 59
3.4 HCH方法 62
3.4.1 HCH方法的基本思想 62
3.4.2 超邊的相似性 63
3.4.3 超邊的融合 67
3.4.4 劃分密度 68
3.4.5 覆蓋效應分析 71
3.5 案例分析 73
3.5.1 實驗Ⅰ 73
3.5.2 實驗Ⅱ 77
3.6 HCH方法時間復雜度分析和應用特點 79
3.6.1 HCH方法時間復雜度分析 79
3.6.2 HCH方法應用特點 80
3.7 本章小結 81
參考文獻 81
第4章 社會關聯(lián)學習 83
4.1 問題背景 83
4.2 研究現(xiàn)狀 84
4.2.1 網(wǎng)絡鏈路預測研究現(xiàn)狀 84
4.2.2 鏈路預測效果評價指標 88
4.3 網(wǎng)絡關聯(lián)重構算法 89
4.3.1 基于隨機分塊模型的鏈路去噪 89
4.3.2 基于層次概率樹的鏈路預測 98
4.3.3 基于結構相似性的關聯(lián)分析指標 103
4.3.4 網(wǎng)絡還原程度分析 115
4.4 本章小結 126
參考文獻 126
第5章 社會角色學習 129
5.1 問題背景 129
5.2 節(jié)點特征與行為模式分析 131
5.2.1 節(jié)點特征 131
5.2.2 用戶行為 132
5.3 節(jié)點影響力分析 138
5.3.1 用戶影響力的研究 138
5.3.2 影響力因素 141
5.3.3 社交網(wǎng)絡影響力的度量方法 143
5.4 角色分析 151
5.4.1 一般復雜網(wǎng)絡基于結構等價性的角色分析 152
5.4.2 社會網(wǎng)絡中節(jié)點角色分析 156
5.5 節(jié)點角色分析實驗 159
5.5.1 基于有向拓撲勢的節(jié)點角色發(fā)現(xiàn)算法 159
5.5.2 基于非負矩陣分解的角色發(fā)現(xiàn)算法 164
5.5.3 基于特征向量聚類的角色發(fā)現(xiàn)算法 165
5.6 本章小結 166
參考文獻 166
第6章 社會行為學習 168
6.1 問題背景 168
6.2 國內外研究現(xiàn)狀 169
6.2.1 社會網(wǎng)絡信息傳播模型 169
6.2.2 網(wǎng)絡演化博弈模型 170
6.3 演化博弈方法相關概念 171
6.3.1 演化博弈論基本思想 172
6.3.2 演化穩(wěn)定策略 172
6.3.3 適應度 173
6.3.4 弱選擇 173
6.4 社會網(wǎng)絡的演化博弈模型 174
6.4.1 網(wǎng)絡結構 175
6.4.2 演化規(guī)則 178
6.4.3 靜態(tài)均勻網(wǎng)絡信息傳播模型 179
6.4.4 靜態(tài)非均勻網(wǎng)絡信息傳播模型 186
6.5 社會網(wǎng)絡的協(xié)同演化模型 188
6.5.1 社會網(wǎng)絡動態(tài)性對信息傳播的影響 189
6.5.2 演化規(guī)則 191
6.5.3 協(xié)同演化博弈模型 193
6.5.4 網(wǎng)狀結構和層次結構上的博弈分析 195
6.6 算法與仿真 197
6.6.1 靜態(tài)均勻網(wǎng)算法與仿真 197
6.6.2 ER隨機網(wǎng)絡算法與仿真 200
6.6.3 BA無標度網(wǎng)絡算法與仿真 202
6.6.4 協(xié)同演化博弈算法與仿真Ⅰ 203
6.6.5 協(xié)同演化博弈算法與仿真Ⅱ 206
6.7 案例應用 210
6.7.1 實驗Ⅰ 215
6.7.2 實驗Ⅱ 216
6.8 本章小結 218
參考文獻 220
第7章 社會弱項學習 223
7.1 問題描述 223
7.1.1 背景及意義 223
7.1.2 研究現(xiàn)狀 224
7.2 基本概念 225
7.2.1 一般脆弱性的定義 225
7.2.2 社會網(wǎng)絡復雜性 225
7.2.3 社會網(wǎng)絡脆弱性 226
7.3 主要模型 227
7.3.1 異質容量模型 227
7.3.2 基于馬爾可夫邏輯的異質網(wǎng)絡模型 230
7.3.3 馬爾可夫邏輯網(wǎng)基本理論 234
7.3.4 馬爾可夫邏輯網(wǎng)決策推理 236
7.3.5 能力向量 239
7.3.6 其他模型 239
7.4 弱項學習方法 240
7.4.1 基于偏序生成樹的網(wǎng)絡脆弱性學習 240
7.4.2 基于影響模型與馬爾可夫鏈的網(wǎng)絡脆弱性學習 247
7.4.3 基于狀態(tài)演化模型的社會網(wǎng)絡結構弱項學習 250
7.5 案例實驗 252
7.5.1 電力網(wǎng)絡建模 252
7.5.2 電力網(wǎng)絡弱項學習 254
7.5.3 電力網(wǎng)絡弱項學習的流程 256
7.5.4 實驗結果分析 257
7.6 本章小結 260
參考文獻 260
第8章 社會異常學習 263
8.1 問題描述 263
8.1.1 背景及意義 263
8.1.2 研究現(xiàn)狀 264
8.1.3 主要問題 267
8.2 基本概念 268
8.2.1 一般異常的定義 268
8.2.2 社會組織異常的定義 268
8.2.3 社會組織異常的分類 269
8.3 主要模型 270
8.3.1 網(wǎng)絡相似度模型 270
8.3.2 社團演化模型 273
8.3.3 異常子序列學習模型 276
8.4 案例實驗 281
8.4.1 社會網(wǎng)絡動態(tài)描述 281
8.4.2 異常子序列檢測 287
8.5 本章小結 289
參考文獻 291
附錄 293