更新时间：2024-06-20 18:08:45
封面
版权信息
内容提要
前言
第一部分 基础知识
第1章 社交网络与图
1.1 社交网络
1.2 图
1.3 社交网络模型
1.4 本章小结
参考文献
第2章 图神经网络
2.1 图神经网络基础
2.2 图卷积神经网络
2.3 图注意力网络
2.4 本章小结
第3章 图表示学习及其应用
3.1 图嵌入相关理论
3.2 基于随机游走的图表示学习算法
3.3 基于深度学习的图表示学习算法
3.4 本章小结
第二部分 社交网络表示
第4章 基于微分方程的动态图表示学习算法
4.1 问题定义
4.2 归纳式动态图表示学习算法GraphODE
4.3 基于受控微分方程的改进算法GraghCDE
4.4 实验与分析
4.5 本章小结
第5章 基于狄利克雷分布的知识图谱表示方法
5.1 问题定义
5.2 利用狄利克雷分布的知识表示学习
5.3 DiriE表现能力理论分析
5.4 实验与分析
5.5 本章小结
第三部分 社交网络对齐方法
第6章 静态的社交网络用户对齐方法
6.1 问题定义
6.2 基于矩阵分解的用户对齐方法
6.3 基于模糊聚类的并行化对齐框架
6.4 实验与分析
6.5 本章小结
第7章 动态的社交网络用户对齐方法
7.1 问题定义
7.2 基于图神经网络的联合优化模型
7.3 协同图深度学习的交替优化算法
7.4 实验与分析
7.5 本章小结
第8章 基于无监督学习的社交网络用户对齐方法
8.1 问题定义
8.2 基于结构的无监督学习社交网络用户对齐框架
8.3 联合优化算法
8.4 实验与分析
8.5 本章小结
第9章 基于迁移学习的社交网络用户对齐方法
9.1 问题定义
9.2 REBORN框架
9.3 实验与分析
9.4 本章小结
第10章 基于双曲空间的社交网络社区对齐方法
10.1 问题定义
10.2 基于双曲空间的社区对齐模型
10.3 基于黎曼几何的交替优化算法
10.4 实验与分析
10.5 本章小结
缩略语
