网络表示学习的理论与应用

《网络表示学习的理论与应用》介绍了在人工智能与大数据时代背景下，网络表示学习的理论与应用。提出了网络表示学习的关键在于将网络中的节点映射到低维空间，形成能够反映节点间复杂关系的向量表示。《网络表示学习的理论与应用》讨论了各种先进的网络表示学习方法，如基于图注意力机制、图自编码器和深度学习技术，并提供了大量实验和案例分析，展示了这些方法在不同数据集上的应用效果。这些案例覆盖了社交网络、生物信息学、知识图谱等领域，证明了网络表示学习技术在多样化场景中的适用性和有效性。通过系统的理论基础和丰富的实践案例，《网络表示学习的理论与应用》旨在帮助读者深入理解和应用网络表示学习。

目录
序
前言
第1章 网络表示学习 1
1.1 研究背景 1
1.2 研究目标 2
1.3 研究内容 3
第2章 网络表示学习综述 5
2.1 同构网络的表示学习模型 5
2.1.1 基于随机游走的网络表示学习模型 5
2.1.2 基于矩阵分解的网络表示学习模型 5
2.1.3 基于深度学习的网络表示学习模型 6
2.1.4 基于双*空间的网络表示学习模型 7
2.2 异构网络的表示学习模型 7
第3章 基于图注意力机制的网络表示学习方法 9
3.1 复杂网络的基本理论 9
3.2 图注意力机制的基本理论 10
3.3 基于标记注意力的网络表示学习方法 12
3.3.1 基于标记注意力的网络表示学习模型 12
3.3.2 实验分析 16
3.4 基于邻域注意力的网络表示学习方法 24
3.4.1 基于邻域注意力的网络表示学习模型 24
3.4.2 实验分析 31
第4章 基于联合注意力的网络表示学习方法 39
4.1 符号定义 39
4.2 基于联合注意力的网络表示学习模型 40
4.2.1 相似网络构建模块 41
4.2.2 基于联合注意力分数的特征加权聚合模块 42
4.3 实验分析 44
4.3.1 数据集及实验配置 44
4.3.2 实验 45
vi 网络表示学习的理论与应用
4.3.3 可视化 45
4.3.4 对比实验 46
4.3.5 超参数分析 47
第5章 基于自编码器与双*几何的网络表示学习方法 49
5.1 属性网络的基础理论 49
5.2 自编码器理论 50
5.3 基于双路自编码器的网络表示学习方法 51
5.3.1 双路自编码器的网络表示学习模型 51
5.3.2 实验分析 57
5.4 基于双*几何的网络表示学习方法 65
5.4.1 双*几何的网络表示学习模型 66
5.4.2 实验分析 71
第6章 基于元路径和图卷积的异质网络表示学习方法 78
6.1 异质网络的概念 78
6.1.1 元路径 79
6.1.2 基于元路径的子图 79
6.1.3 基于元路径的相似性度量 80
6.1.4 平均相似度量 82
6.2 异质网络相关理论 83
6.3 元路径与属性融合的异质信息网络表示学习方法 94
6.3.1 元路径与属性融合的异质信息网络表示学习模型 94
6.3.2 实验分析 99
6.4 融合元路径和图卷积的异质信息网络表示学习方法 106
6.4.1 融合元路径和图卷积的异质信息网络表示学习模型 106
6.4.2 实验分析 110
第7章 基于认知推理的网络表示学习方法 119
7.1 胶囊网络 119
7.2 认知推理 121
7.3 卷积神经网络 123
7.4 面向结构化数据分类任务的认知推理网络表示学习模型 123
7.4.1 单路认知推理机制理论 123
7.4.2 面向 ADMET 性质分类认知推理网络模型 126
7.4.3 实验分析 132
7.5 面向图数据任务的认知推理网络表示学习模型 142
7.5.1 双路认知推理机制理论 143
7.5.2 面向属性网络节点嵌入的认知推理网络模型 146
7.5.3 实验分析 151
第8章 基于社区发现的网络表示学习方法 160
8.1 真实世界网络 160
8.2 社区发现应用 162
8.3 网络模型 164
8.3.1 **网络模型 164
8.3.2 动态网络模型 167
8.4 复杂网络注意力模型的社区发现方法 170
8.4.1 注意力模型的社区发现模型 170
8.4.2 实验分析 175
8.5 自由能的动态网络社区发现方法 185
8.5.1 自由能的动态网络社区发现模型 185
8.5.2 实验分析 188
8.5.3 模块化变分图自编码器的无监督社区发现方法 193
8.5.4 实验分析 198
参考文献 204