第1章 复杂网络概述
1.1 复杂网络基本理论概述
1.1.1 复杂网络基本定义
1.1.2 复杂网络统计特性
1.1.3 拓扑结构属性
1.2 复杂网络模型
1.2.1 规则网络
1.2.2 随机网络
1.2.3 小世界网络
1.2.4 无标度网络
参考文献
第2章 基于网络结构的复杂网络影响力节点识别方法
2.1 相关研究工作
2.1.1 社区划分
2.1.2 优劣解距离法
2.2 基于网络结构和TOPSIS的影响力节点识别框架
2.2.1 邻域覆盖策略
2.2.2 基于K-shell和邻域覆盖的影响力节点识别框架
2.2.3 基于社区和邻域覆盖的影响力节点识别框架
2.3 实验设置
2.3.1 数据集
2.3.2 性能指标
2.4 实验结果和分析
2.4.1 SIR模型和SI模型仿真分析
2.4.2 种子节点分散程度分析
参考文献
第3章 基于社区的复杂网络影响力最大化建模
3.1 问题分析和研究动机
3.1.1 问题分析
3.1.2 研究动机
3.2 相关研究工作
3.2.1 反向生成网络
3.2.2 图遍历算法
3.3 基于社区的反向生成网络影响力最大化框架
3.3.1 社区划分
3.3.2 候选节点集生成
3.3.3 选择影响力节点
3.4 实验设置
3.4.1 数据集
3.4.2 性能指标
3.4.3 基线算法
3.5 实验结果及分析
3.5.1 稳健性分析
3.5.2 传播规模分析
3.5.3 平均最短路径长度分析
参考文献
第4章 基于图注意力的复杂网络影响力最大化模型
4.1 相关研究工作
4.1.1 图注意力网络
4.1.2 信息熵
4.2 影响力最大化模型IMGAT
4.2.1 训练数据集
4.2.2 模型结构
4.3 实验结果及分析
4.3.1 实验数据集
4.3.2 SIR模型分析
4.3.3 最小种子节点集分析
参考文献
第5章 基于时空注意力异构图卷积神经网络的用户转发预测行为分析
5.1 图卷积神经网络
5.1.1 图数据表示
5.1.2 图卷积神经网络
5.1.3 GCN的应用领域
5.2 长短期记忆递归神经网络
5.2.1 RNN
5.2.2 LSTM的结构
5.2.3 LSTM优势
5.2.4 LSTM应用
5.3 注意力机制
5.3.1 注意力机制的基本概念
5.3.2 注意力模型的演进历程
5.3.3 注意力机制的原理
5.3.4 注意力模型的应用
5.4 问题描述
5.5 用户转发行为预测方法
5.5.1 用户表示的学习
5.5.2 用户表示融合机制
5.5.3 用户转发行为预测
5.6 实验结果与分析
5.6.1 数据集及基线模型
5.6.2 实验设置
5.6.3 实验结果与分析
参考文献
第6章 融合超图注意力机制与图卷积网络的用户转发行为
6.1 问题描述
6.2 用户转发行为预测模型
6.2.1 用户社交关系的学习
6.2.2 用户全局偏好学习
6.2.3 用户转发行为预测
6.3实验结果与分析?1006.3.1 数据集
6.3.2 实验设置
6.3.3 实验结果与分析
参考文献
第7章 基于边学习的多特征融合谣言检测方法
7.1 谣言检测与文本分类技术
7.2 谣言传播特征
7.3 词嵌入模型
7.4 深度学习相关技术
7.4.1 注意力机制
7.4.2 图卷积网络
7.5 评价指标
7.6 基于边学习的多特征融合谣言检测模型
7.6.1 传播结构图构建
7.6.2 模型构建
7.6.3 边学习传播结构特征提取
7.6.4 文本语义特征提取
7.7 预测及分类
7.8 实验结果与分析
7.8.1 数据集及基准模型介绍
7.8.2 结果与分析
参考文献
第8章 融合双重注意力机制和图卷积的谣言传播检测行为分析
8.1 引言
8.2 融合双重注意力机制和图卷积的谣言检测模型
8.2.1 模型框架
8.2.2 交互性文本语义特征提取
8.2.3 抗干扰传播结构特征提取
8.3 实验结果与分析
8.3.1 实验设置
8.3.2 结果与分析
8.3.3 消融实验结果与分析
8.3.4 早期检测能力实验结果与分析
参考文献
第9章 异质图自注意力社交推荐行为分析
9.1 推荐系统简介
9.1.1 推荐系统概述
9.1.2 传统推荐算法概述
9.1.3 评价指标
9.2 异质信息网络
9.2.1 定义
9.2.2 网络模式
9.2.3 元路径
9.3 图神经网络
9.3.1 图神经网络概述
9.3.2 推荐系统中图神经网络的应用
9.4 自注意力机制
9.5 异质图注意力卷积社交推荐模型架构
9.5.1 初始化嵌入层
9.5.2 多头节点自注意力层
9.5.3 图卷积层
9.5.4 社交语义融合层
9.5.5 推荐预测
9.6 模型训练
9.7 实验
9.7.1 数据集和基线模型
9.7.2 实验设置
9.7.3 实验结果
参考文献
第10章 融合社交关系的图卷积协同过滤推荐行为分析
10.1 前提知识
10.1.1 社交高阶连通性
10.1.2 交互高阶连
展开
