本書(shū)介紹了在人工智能與大數(shù)據(jù)時(shí)代背景下，網(wǎng)絡(luò)表示學(xué)習(xí)的理論與應(yīng)用。提出了網(wǎng)絡(luò)表示學(xué)習(xí)的關(guān)鍵在于將網(wǎng)絡(luò)中的節(jié)點(diǎn)映射到低維空間，形成能夠反映節(jié)點(diǎn)間復(fù)雜關(guān)系的向量表示。書(shū)中討論了各種先進(jìn)的網(wǎng)絡(luò)表示學(xué)習(xí)方法，如基于圖注意力機(jī)制、圖自編碼器和深度學(xué)習(xí)技術(shù)，并提供了大量實(shí)驗(yàn)和案例分析，展示了這些方法在不同數(shù)據(jù)集上的應(yīng)用效果。這些案例覆蓋了社交網(wǎng)絡(luò)、生物信息學(xué)、知識(shí)圖譜等領(lǐng)域，證明了網(wǎng)絡(luò)表示學(xué)習(xí)技術(shù)在多樣化場(chǎng)景中的適用性和有效性。通過(guò)系統(tǒng)的理論基礎(chǔ)和豐富的實(shí)踐案例，本書(shū)旨在幫助讀者深入理解和應(yīng)用網(wǎng)絡(luò)表示學(xué)習(xí)。

更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。

（1）河北省科技進(jìn)步二等獎(jiǎng)，2013年，第一名 （2）河北省有突出貢獻(xiàn)中青年專(zhuān)家，2014年

目錄
序
前言
第1章 網(wǎng)絡(luò)表示學(xué)習(xí) 1
1.1 研究背景 1
1.2 研究目標(biāo) 2
1.3 研究?jī)?nèi)容 3
第2章 網(wǎng)絡(luò)表示學(xué)習(xí)綜述 5
2.1 同構(gòu)網(wǎng)絡(luò)的表示學(xué)習(xí)模型 5
2.1.1 基于隨機(jī)游走的網(wǎng)絡(luò)表示學(xué)習(xí)模型 5
2.1.2 基于矩陣分解的網(wǎng)絡(luò)表示學(xué)習(xí)模型 5
2.1.3 基于深度學(xué)習(xí)的網(wǎng)絡(luò)表示學(xué)習(xí)模型 6
2.1.4 基于雙曲空間的網(wǎng)絡(luò)表示學(xué)習(xí)模型 7
2.2 異構(gòu)網(wǎng)絡(luò)的表示學(xué)習(xí)模型 7
第3章 基于圖注意力機(jī)制的網(wǎng)絡(luò)表示學(xué)習(xí)方法 9
3.1 復(fù)雜網(wǎng)絡(luò)的基本理論 9
3.2 圖注意力機(jī)制的基本理論 10
3.3 基于標(biāo)記注意力的網(wǎng)絡(luò)表示學(xué)習(xí)方法 12
3.3.1 基于標(biāo)記注意力的網(wǎng)絡(luò)表示學(xué)習(xí)模型 12
3.3.2 實(shí)驗(yàn)分析 16
3.4 基于鄰域注意力的網(wǎng)絡(luò)表示學(xué)習(xí)方法 24
3.4.1 基于鄰域注意力的網(wǎng)絡(luò)表示學(xué)習(xí)模型 24
3.4.2 實(shí)驗(yàn)分析 31
第4章 基于聯(lián)合注意力的網(wǎng)絡(luò)表示學(xué)習(xí)方法 39
4.1 符號(hào)定義 39
4.2 基于聯(lián)合注意力的網(wǎng)絡(luò)表示學(xué)習(xí)模型 40
4.2.1 相似網(wǎng)絡(luò)構(gòu)建模塊 41
4.2.2 基于聯(lián)合注意力分?jǐn)?shù)的特征加權(quán)聚合模塊 42
4.3 實(shí)驗(yàn)分析 44
4.3.1 數(shù)據(jù)集及實(shí)驗(yàn)配置 44
4.3.2 實(shí)驗(yàn) 45
·vi· 網(wǎng)絡(luò)表示學(xué)習(xí)的理論與應(yīng)用
4.3.3 可視化 45
4.3.4 對(duì)比實(shí)驗(yàn) 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(luò)表示學(xué)習(xí)方法 49
5.1 屬性網(wǎng)絡(luò)的基礎(chǔ)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(luò)表示學(xué)習(xí)方法 51
5.3.1 雙路自編碼器的網(wǎng)絡(luò)表示學(xué)習(xí)模型 51
5.3.2 實(shí)驗(yàn)分析 57
5.4 基于雙曲幾何的網(wǎng)絡(luò)表示學(xué)習(xí)方法 65
5.4.1 雙曲幾何的網(wǎng)絡(luò)表示學(xué)習(xí)模型 66
5.4.2 實(shí)驗(yàn)分析 71
第6章 基于元路徑和圖卷積的異質(zhì)網(wǎng)絡(luò)表示學(xué)習(xí)方法 78
6.1 異質(zhì)網(wǎng)絡(luò)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(luò)相關(guān)理論 83
6.3 元路徑與屬性融合的異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)方法 94
6.3.1 元路徑與屬性融合的異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)模型 94
6.3.2 實(shí)驗(yàn)分析 99
6.4 融合元路徑和圖卷積的異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)方法 106
6.4.1 融合元路徑和圖卷積的異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)模型 106
6.4.2 實(shí)驗(yàn)分析 110
第7章 基于認(rèn)知推理的網(wǎng)絡(luò)表示學(xué)習(xí)方法 119
7.1 膠囊網(wǎng)絡(luò) 119
7.2 認(rèn)知推理 121
7.3 卷積神經(jīng)網(wǎng)絡(luò) 123
7.4 面向結(jié)構(gòu)化數(shù)據(jù)分類(lèi)任務(wù)的認(rèn)知推理網(wǎng)絡(luò)表示學(xué)習(xí)模型 123
7.4.1 單路認(rèn)知推理機(jī)制理論 123
7.4.2 面向 ADMET 性質(zhì)分類(lèi)認(rèn)知推理網(wǎng)絡(luò)模型 126
7.4.3 實(shí)驗(yàn)分析 132
7.5 面向圖數(shù)據(jù)任務(wù)的認(rèn)知推理網(wǎng)絡(luò)表示學(xué)習(xí)模型 142
7.5.1 雙路認(rèn)知推理機(jī)制理論 143
7.5.2 面向?qū)傩跃W(wǎng)絡(luò)節(jié)點(diǎn)嵌入的認(rèn)知推理網(wǎng)絡(luò)模型 146
7.5.3 實(shí)驗(yàn)分析 151
第8章 基于社區(qū)發(fā)現(xiàn)的網(wǎng)絡(luò)表示學(xué)習(xí)方法 160
8.1 真實(shí)世界網(wǎng)絡(luò) 160
8.2 社區(qū)發(fā)現(xiàn)應(yīng)用 162
8.3 網(wǎng)絡(luò)模型 164
8.3.1 經(jīng)典網(wǎng)絡(luò)模型 164
8.3.2 動(dòng)態(tài)網(wǎng)絡(luò)模型 167
8.4 復(fù)雜網(wǎng)絡(luò)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(shí)驗(yàn)分析 175
8.5 自由能的動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法 185
8.5.1 自由能的動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)模型 185
8.5.2 實(shí)驗(yàn)分析 188
8.5.3 模塊化變分圖自編碼器的無(wú)監(jiān)督社區(qū)發(fā)現(xiàn)方法 193
8.5.4 實(shí)驗(yàn)分析 198
參考文獻(xiàn) 204