網(wǎng)絡(luò)嵌入：理論、方法和應(yīng)用

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(xí)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(biāo)簽分類 21
2.4.4 鏈接預(yù)測 22
2.4.5 實驗分析 22
2.5 擴(kuò)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(kuò)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(biāo)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(kuò)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(biāo) 57
5.2.4 基于文本的目標(biāo) 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(biāo)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(kuò)展閱讀 66
第 6 章 結(jié)合節(jié)點標(biāo)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(kuò)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(qiáng)的網(wǎng)絡(luò)表示學(xué)習(xí) 80
7.2.1 問題形式化 81
7.2.2 DeepWalk 81
7.2.3 社區(qū)增強(qiáng)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(biāo)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(kuò)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(biāo)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(biāo)簽分類 99
8.3.5 可擴(kuò)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(kuò)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(kuò)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(jī)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(biāo)和實驗設(shè)置 129
10.3.4 實驗結(jié)果和分析 129
10.3.5 標(biāo)簽對比 130
10.3.6 案例分析 131
10.4 擴(kuò)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(xí) 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(kuò)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(jī)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(jìn)行預(yù)測 158
12.2.5 整體架構(gòu)、模型細(xì)節(jié)和學(xué)習(xí)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(kuò)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(jìn)技術(shù)的網(wǎng)絡(luò)嵌入 169
13.2 更細(xì)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(xiàn) 171