本書介紹了在人工智能與大數(shù)據(jù)時代背景下，網(wǎng)絡表示學習的理論與應用。提出了網(wǎng)絡表示學習的關鍵在于將網(wǎng)絡中的節(jié)點映射到低維空間，形成能夠反映節(jié)點間復雜關系的向量表示。書中討論了各種先進的網(wǎng)絡表示學習方法，如基于圖注意力機制、圖自編碼器和深度學習技術，并提供了大量實驗和案例分析，展示了這些方法在不同數(shù)據(jù)集上的應用效果。這些案例覆蓋了社交網(wǎng)絡、生物信息學、知識圖譜等領域，證明了網(wǎng)絡表示學習技術在多樣化場景中的適用性和有效性。通過系統(tǒng)的理論基礎和豐富的實踐案例，本書旨在幫助讀者深入理解和應用網(wǎng)絡表示學習。
更多科學出版社服務，請掃碼獲取。
（1）河北省科技進步二等獎，2013年，第一名
（2）河北省有突出貢獻中青年專家，2014年
目錄
序
前言
第1章 網(wǎng)絡表示學習 1
1.1 研究背景 1
1.2 研究目標 2
1.3 研究內(nèi)容 3
第2章 網(wǎng)絡表示學習綜述 5
2.1 同構網(wǎng)絡的表示學習模型 5
2.1.1 基于隨機游走的網(wǎng)絡表示學習模型 5
2.1.2 基于矩陣分解的網(wǎng)絡表示學習模型 5
2.1.3 基于深度學習的網(wǎng)絡表示學習模型 6
2.1.4 基于雙曲空間的網(wǎng)絡表示學習模型 7
2.2 異構網(wǎng)絡的表示學習模型 7
第3章 基于圖注意力機制的網(wǎng)絡表示學習方法 9
3.1 復雜網(wǎng)絡的基本理論 9
3.2 圖注意力機制的基本理論 10
3.3 基于標記注意力的網(wǎng)絡表示學習方法 12
3.3.1 基于標記注意力的網(wǎng)絡表示學習模型 12
3.3.2 實驗分析 16
3.4 基于鄰域注意力的網(wǎng)絡表示學習方法 24
3.4.1 基于鄰域注意力的網(wǎng)絡表示學習模型 24
3.4.2 實驗分析 31
第4章 基于聯(lián)合注意力的網(wǎng)絡表示學習方法 39
4.1 符號定義 39
4.2 基于聯(lián)合注意力的網(wǎng)絡表示學習模型 40
4.2.1 相似網(wǎng)絡構建模塊 41
4.2.2 基于聯(lián)合注意力分數(shù)的特征加權聚合模塊 42
4.3 實驗分析 44
4.3.1 數(shù)據(jù)集及實驗配置 44
4.3.2 實驗 45
·vi· 網(wǎng)絡表示學習的理論與應用
4.3.3 可視化 45
4.3.4 對比實驗 46
4.3.5 超參數(shù)分析 47
第5章 基于自編碼器與雙曲幾何的網(wǎng)絡表示學習方法 49
5.1 屬性網(wǎng)絡的基礎理論 49
5.2 自編碼器理論 50
5.3 基于雙路自編碼器的網(wǎng)絡表示學習方法 51
5.3.1 雙路自編碼器的網(wǎng)絡表示學習模型 51
5.3.2 實驗分析 57
5.4 基于雙曲幾何的網(wǎng)絡表示學習方法 65
5.4.1 雙曲幾何的網(wǎng)絡表示學習模型 66
5.4.2 實驗分析 71
第6章 基于元路徑和圖卷積的異質(zhì)網(wǎng)絡表示學習方法 78
6.1 異質(zhì)網(wǎng)絡的概念 78
6.1.1 元路徑 79
6.1.2 基于元路徑的子圖 79
6.1.3 基于元路徑的相似性度量 80
6.1.4 平均相似度量 82
6.2 異質(zhì)網(wǎng)絡相關理論 83
6.3 元路徑與屬性融合的異質(zhì)信息網(wǎng)絡表示學習方法 94
6.3.1 元路徑與屬性融合的異質(zhì)信息網(wǎng)絡表示學習模型 94
6.3.2 實驗分析 99
6.4 融合元路徑和圖卷積的異質(zhì)信息網(wǎng)絡表示學習方法 106
6.4.1 融合元路徑和圖卷積的異質(zhì)信息網(wǎng)絡表示學習模型 106
6.4.2 實驗分析 110
第7章 基于認知推理的網(wǎng)絡表示學習方法 119
7.1 膠囊網(wǎng)絡 119
7.2 認知推理 121
7.3 卷積神經(jīng)網(wǎng)絡 123
7.4 面向結構化數(shù)據(jù)分類任務的認知推理網(wǎng)絡表示學習模型 123
7.4.1 單路認知推理機制理論 123
7.4.2 面向 ADMET 性質(zhì)分類認知推理網(wǎng)絡模型 126
7.4.3 實驗分析 132
7.5 面向圖數(shù)據(jù)任務的認知推理網(wǎng)絡表示學習模型 142
7.5.1 雙路認知推理機制理論 143
7.5.2 面向屬性網(wǎng)絡節(jié)點嵌入的認知推理網(wǎng)絡模型 146
7.5.3 實驗分析 151
第8章 基于社區(qū)發(fā)現(xiàn)的網(wǎng)絡表示學習方法 160
8.1 真實世界網(wǎng)絡 160
8.2 社區(qū)發(fā)現(xiàn)應用 162
8.3 網(wǎng)絡模型 164
8.3.1 經(jīng)典網(wǎng)絡模型 164
8.3.2 動態(tài)網(wǎng)絡模型 167
8.4 復雜網(wǎng)絡注意力模型的社區(qū)發(fā)現(xiàn)方法 170
8.4.1 注意力模型的社區(qū)發(fā)現(xiàn)模型 170
8.4.2 實驗分析 175
8.5 自由能的動態(tài)網(wǎng)絡社區(qū)發(fā)現(xiàn)方法 185
8.5.1 自由能的動態(tài)網(wǎng)絡社區(qū)發(fā)現(xiàn)模型 185
8.5.2 實驗分析 188
8.5.3 模塊化變分圖自編碼器的無監(jiān)督社區(qū)發(fā)現(xiàn)方法 193
8.5.4 實驗分析 198
參考文獻 204
書單推薦
