本书分为基础知识、社交网络表示和社交网络对齐方法三部分内容，针对社交网络对齐中的用户对齐与社区对齐场景，系统介绍了社交网络对齐关键技术体系及其应用。 第一部分“基础知识”定义了社交网络并进行建模，介绍了后续各种对齐方法中所涉及的图神经网络、图表示学习等。第二部分“社交网络表示”分别从微分方程和狄利克雷分布两个角度，介绍了基于微分方程的动态图表示学习算法和基于狄利克雷分布的知识图谱表示方法。第三部分“社交网络对齐方法”以模型建立、算法介绍、实验分析的逻辑，重点分析了5种社交网络对齐方法：静态的社交网络用户对齐方法、动态的社交网络用户对齐方法、基于无监督学习的社交网络用户对齐方法、基于迁移学习的社交网络用户对齐方法和基于双曲空间的社交网络社区对齐方法。 本书既可以作为对社交网络、数据挖掘、图神经网络感兴趣的高年级本科生和研究生的入门书，也可以作为人工智能领域开发者和研究者的技术参考书。

第一部分 基础知识
第1章 社交网络与图
1.1 社交网络
1.1.1 社交网络概述
1.1.2 社交网络的形式化表示
1.2 图
1.2.1 图的经典算法
1.2.2 图的结构分析
1.2.3 特殊的图
1.3 社交网络模型
1.3.1 ER随机网络模型
1.3.2 WS小世界网络模型
1.3.3 BA无标度网络模型
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
2.1.1 神经元
2.1.2 多层感知机
2.1.3 误差反向传播算法
2.1.4 图神经网络的发展历程
2.2 图卷积神经网络
2.2.1 卷积与池化
2.2.2 图卷积
2.2.3 频域图卷积神经网络
2.2.4 空域图卷积神经网络
2.3 图注意力网络
2.3.1 注意力机制
2.3.2 图注意力网络原理
2.4 本章小结
参考文献
第3章 图表示学习及其应用
3.1 图嵌入相关理论
3.1.1 图嵌入
3.1.2 编码器与解码器
3.2 基于随机游走的图表示学习
3.2.1 DeepWalk
3.2.2 Node2vec
3.2.3 Metapath2vec
3.3 基于深度学习的图表示学习
3.3.1 GraphSAGE
3.3.2 VGAE
3.3.3 GraphCL
3.4 本章小节
参考文献
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方法
4.1 问题定义
4.1.1 符号与概念
4.1.2 问题描述
4.2 基于微分方程的动态图网络表示学习算法
4.2.1 算法框架
4.2.2 初始化
4.2.3 节点邻居采样
4.2.4 聚合操作
4.2.5 自定义损失函数与端到端优化
4.2.6 性能分析
4.3 基于受控微分方程的改进算法
4.3.1 问题引入
4.3.2 解决方案与分析
4.3.3 小结
4.4 实验与分析
4.4.1 数据集
4.4.2 评价指标
4.4.3 对比方法
4.4.4 参数设置
4.4.5 主要结果和分析
4.4.6 其他结果
4.5 本章小结
参考文献
第五章 基于狄利克雷分布的知识图谱表示方法
5.1 问题定义
5.1.1 符号与概念
5.1.2 问题描述
5.2 利用狄利克雷分布的知识表示学习
5.2.1 模型建立
5.2.2 优化目标
5.3 DiriE表现能力理论分析
5.3.1 实体与关系的二元嵌入
5.3.2 复杂关系的表现能力
5.3.3 知识图谱的不确定性
5.4 实验与分析
5.4.1 数据集
5.4.2 相关任务
5.4.3 评价指标
5.4.4 主要结果和分析
5.4.5 关系模式与不确定性分析
5.5 本章小结
参考文献
第三部分 设计网络对齐方法
第6章 静态的社交网络用户对齐方法
6.1 问题定义
6.1.1 符号与概念
6.1.2 问题描述
6.2 基于矩阵分解的用户对齐方法
6.2.1 方法概述
6.2.2 有约束的双重表征模型
6.2.3 非凸解耦的交替优化算法
6.2.4 收敛性分析
6.3 基于模糊聚类的并行化对齐方法
6.3.1 方法概述
6.3.2 增广图辅助表征阶段
6.3.3 平衡感知的模糊聚类阶段
6.4 实验与分析
6.4.1 数据集
6.4.2 评价指标
6.4.3 对比方法
6.4.4 参数设置
6.4.5 结果和分析
6.5 本章小结
参考文献
第7章 动态的社交网络用户对齐方法
7.1 问题定义
7.1.1 符号与概念
7.1.2 问题描述
7.2 基于图神经网络的联合优化模型
7.2.1 模型概述
7.2.2 动态图自编码机
7.2.3 本征表示学习
7.2.4 联合优化模型
7.3 协同图深度学习的交替优化算法
7.3.1 算法概述
7.3.2 投影矩阵最优化子问题
7.3.3 本征矩阵最优化子问题
7.3.4 收敛性分析
7.4 实验与分析
7.4.1 数据集
7.4.2 评价指标
7.4.3 对比方法
7.4.4 参数设置
7.4.5 结果和分析
7.5 本章小结
参考文献
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
8.1.1 符号与概念
8.1.2 问题描述
8.2 基于结构的无监督多网络用户对齐框架
8.2.1 结构公共子空间
8.2.2 多网络节点映射
8.2.3 用户相似度计算
8.3 联合优化算法
8.3.1 公共子空间基H
8.3.2 对角锥矩阵B
8.3.3 复杂度分析
8.4 实验与分析
8.4.1 数据集
8.4.2 评价指标
8.4.3 对比方法
8.4.4 参数设置
8.4.5 主要结果和分析
8.5 本章小结
参考文献
第9章 基于迁移学习的社交网络用户对