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(píng)估 5
1.3.1 節(jié)點(diǎn)分類 6
1.3.2 鏈接預(yù)測(cè) 6
1.3.3 節(jié)點(diǎn)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(duì)比觀察 16
2.3 方法：網(wǎng)絡(luò)嵌入更新 17
2.3.1 問(wèn)題形式化 17
2.3.2 近似算法 18
2.4 實(shí)驗(yàn) 19
2.4.1 數(shù)據(jù)集 19
2.4.2 基線方法和實(shí)驗(yàn)設(shè)置 20
2.4.3 多標(biāo)簽分類 21
2.4.4 鏈接預(yù)測(cè) 22
2.4.5 實(shí)驗(yàn)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(diǎn)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(shí)驗(yàn)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(shí)驗(yàn)設(shè)置 32
3.3.5 實(shí)驗(yàn)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(diǎn)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(wèn)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(shí)驗(yàn)分析 46
4.3.1 數(shù)據(jù)集 46
4.3.2 基線方法 46
4.3.3 評(píng)估指標(biāo)和參數(shù)設(shè)置 47
4.3.4 節(jié)點(diǎn)聚類結(jié)果 48
4.3.5 鏈接預(yù)測(cè)結(jié)果 48
4.3.6 GAE 與 LS+RA 49
4.3.7 消融實(shí)驗(yàn) 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(diǎn)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(wèn)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(wú)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(shí)驗(yàn)分析 61
5.3.1 數(shù)據(jù)集 61
5.3.2 基線方法 62
5.3.3 評(píng)估指標(biāo)和實(shí)驗(yàn)設(shè)置 62
5.3.4 鏈接預(yù)測(cè) 63
5.3.5 節(jié)點(diǎn)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(diǎn)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(wèn)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(shí)驗(yàn)分析 73
6.3.1 數(shù)據(jù)集和實(shí)驗(yàn)設(shè)置 73
6.3.2 基線方法 73
6.3.3 實(shí)驗(yàn)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(wèn)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(shí)驗(yàn)分析 84
7.3.1 數(shù)據(jù)集 84
7.3.2 基線方法 84
7.3.3 評(píng)測(cè)指標(biāo)和參數(shù)設(shè)置 85
7.3.4 節(jié)點(diǎn)分類 86
7.3.5 鏈接預(yù)測(cè) 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(wèn)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(shí)驗(yàn)分析 97
8.3.1 數(shù)據(jù)集 97
8.3.2 基線方法和實(shí)驗(yàn)設(shè)置 98
8.3.3 鏈接預(yù)測(cè) 99
8.3.4 多標(biāo)簽分類 99
8.3.5 可擴(kuò)展性 102
8.3.6 時(shí)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(wèn)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(shí)驗(yàn)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(diǎn)聚類 114
9.3.5 鏈接預(yù)測(cè) 115
9.3.6 節(jié)點(diǎn)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(huì)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(wèn)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(cè) 127
10.3 實(shí)驗(yàn)分析 128
10.3.1 數(shù)據(jù)集 128
10.3.2 基線模型 128
10.3.3 評(píng)測(cè)指標(biāo)和實(shí)驗(yàn)設(shè)置 129
10.3.4 實(shí)驗(yàn)結(jié)果和分析 129
10.3.5 標(biāo)簽對(duì)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(wèn)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(dòng)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(shí)驗(yàn)分析 143
11.3.1 數(shù)據(jù)集 143
11.3.2 評(píng)估任務(wù)與基線方法 144
11.3.3 下一個(gè)位置推薦任務(wù)實(shí)驗(yàn)結(jié)果 145
11.3.4 好友推薦任務(wù)實(shí)驗(yàn)結(jié)果 148
11.4 擴(kuò)展閱讀 149
第 12 章 面向信息傳播預(yù)測(cè)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(wèn)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(cè) 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(shí)驗(yàn)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(jí)別的傳播預(yù)測(cè) 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(lái)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(chǎng)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