中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 網(wǎng)絡(luò)嵌入:理論、方法和應(yīng)用
開本：
16開
頁數(shù)：
191
本類五星書更多>
-
>
全國計(jì)算機(jī)等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
網(wǎng)絡(luò)嵌入:理論、方法和應(yīng)用 版權(quán)信息
- ISBN：9787115611420
- 條形碼：9787115611420 ; 978-7-115-61142-0
- 裝幀：平裝
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
網(wǎng)絡(luò)嵌入:理論、方法和應(yīng)用 本書特色
1.全面揭秘網(wǎng)絡(luò)表示學(xué)習(xí)：詳細(xì)探討網(wǎng)絡(luò)嵌入技術(shù)的各個(gè)層面，從基本概念到各種創(chuàng)新方法，讓您全面了解網(wǎng)絡(luò)表示學(xué)習(xí)的理論和實(shí)踐，幫助您構(gòu)建完整的知識體系。
2.杰出作者團(tuán)隊(duì)：作者是清華大學(xué)計(jì)算機(jī)科學(xué)系的研究團(tuán)隊(duì)，在網(wǎng)絡(luò)嵌入學(xué)習(xí)、社會計(jì)算、自然語言處理等領(lǐng)域擁有深厚的研究背景和豐富的實(shí)踐經(jīng)驗(yàn)。
3.深度解讀網(wǎng)絡(luò)嵌入應(yīng)用：不僅介紹了網(wǎng)絡(luò)嵌入的基本框架和方法，還進(jìn)一步解析了網(wǎng)絡(luò)嵌入在實(shí)際生活中的應(yīng)用場景，如推薦系統(tǒng)設(shè)計(jì)和信息傳播預(yù)測等，讓您更深入地了解網(wǎng)絡(luò)嵌入技術(shù)的實(shí)用價(jià)值。
4.高品質(zhì)全彩印刷：本書采用全彩印刷，精美的設(shè)計(jì)及高質(zhì)量的輸出，讓您在閱讀的過程中享受視覺的盛宴。
網(wǎng)絡(luò)嵌入:理論、方法和應(yīng)用 內(nèi)容簡介
本書全面地介紹了網(wǎng)絡(luò)表示學(xué)習(xí)的基本概念、模型和應(yīng)用。本書從網(wǎng)絡(luò)嵌入的背景和興起開始介紹，為讀者提供一個(gè)整體的描述；通過對多個(gè)代表性方法的介紹，闡述了網(wǎng)絡(luò)嵌入技術(shù)的發(fā)展和基于矩陣分解的統(tǒng)一網(wǎng)絡(luò)嵌入框架；提出了結(jié)合附加信息的網(wǎng)絡(luò)嵌入方法——結(jié)合圖中節(jié)點(diǎn)屬性/內(nèi)容/標(biāo)簽的網(wǎng)絡(luò)嵌入；面向不同特性圖結(jié)構(gòu)的網(wǎng)絡(luò)嵌入方法——面向具有社區(qū)結(jié)構(gòu)的/大規(guī)模的/異質(zhì)圖結(jié)構(gòu)的網(wǎng)絡(luò)嵌入。本書還進(jìn)一步介紹了網(wǎng)絡(luò)嵌入的不同應(yīng)用，如推薦場景和信息擴(kuò)散預(yù)測。本書的*后總結(jié)了這些方法和應(yīng)用，并展望了未來的研究方向。
網(wǎng)絡(luò)嵌入:理論、方法和應(yīng)用 目錄
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(diǎn)分類 6
1.3.2 鏈接預(yù)測 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(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 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(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 評估指標(biāo)和實(shí)驗(yàn)設(shè)置 62
5.3.4 鏈接預(yù)測 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：*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 *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 評測指標(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 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(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 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 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(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 評測指標(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(shí)驗(yàn)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(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(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
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(diǎn)分類 6
1.3.2 鏈接預(yù)測 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(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 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(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 評估指標(biāo)和實(shí)驗(yàn)設(shè)置 62
5.3.4 鏈接預(yù)測 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：*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 *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 評測指標(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 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(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 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 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(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 評測指標(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(shí)驗(yàn)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(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(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
展開全部
網(wǎng)絡(luò)嵌入:理論、方法和應(yīng)用 作者簡介
楊成，北京郵電大學(xué)計(jì)算機(jī)學(xué)院副教授。他分別于 2014 年和 2019 年獲得清華大學(xué)計(jì)算機(jī)科學(xué)專業(yè)學(xué)士學(xué)位和博士學(xué)位。其研究方向包括網(wǎng)絡(luò)表示學(xué)習(xí)、社會計(jì)算和自然語言處理，在 IJCAI、ACL、ACM TOIS、IEEE TKDE 等top級會議和期刊上發(fā)表論文四十余篇，谷歌學(xué)術(shù)引用近四千次。劉知遠(yuǎn)，清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系副教授。他分別于在 2006 年和 2011 年獲得清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)學(xué)士和博士學(xué)位。研究方向是自然語言處理和社會計(jì)算，在國際期刊和 IJCAI、AAAI、ACL、EMNLP 等會議上發(fā)表了六十余篇論文，谷歌學(xué)術(shù)應(yīng)用量超過一萬次。涂存超，清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系博士后。他分別于 2013 年和 2018 年獲得清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)專業(yè)學(xué)士和博士學(xué)位。其研究方向包括網(wǎng)絡(luò)表示學(xué)習(xí)、社會計(jì)算和法律智能，在 IEEE TKDE、AAAI、ACL、EMNLP 等國際期刊和會議上發(fā)表論文二十余篇。石川，北京郵電大學(xué)計(jì)算機(jī)學(xué)院教授。其主要研究方向包括數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和大數(shù)據(jù)分析。在數(shù)據(jù)挖掘方面的top級期刊和會議，如 IEEE TKDE、ACM TIST、KDD、WWW、AAAI 和 IJCAI 等，發(fā)表了相關(guān)論文一百余篇。孫茂松，清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系教授，清華大學(xué)人工智能研究院常務(wù)副院長。其研究方向包括自然語言處理、互聯(lián)網(wǎng)智能、機(jī)器學(xué)習(xí)、社會計(jì)算和計(jì)算教育學(xué)，在各種top級會議和期刊上發(fā)表論文二百余篇，谷歌學(xué)術(shù)引用量超 1.5 萬次，并于 2020 年當(dāng)選歐洲科學(xué)院外籍院士。
書友推薦
- >
上帝之肋:男人的真實(shí)旅程
- >
朝聞道
- >
羅曼·羅蘭讀書隨筆-精裝
- >
名家?guī)阕x魯迅:故事新編
- >
我與地壇
- >
姑媽的寶刀
- >
有舍有得是人生
- >
巴金－再思錄
本類暢銷
