圖數(shù)據(jù)挖掘：算法、安全與應(yīng)用

第1章  基于多通道圖神經(jīng)網(wǎng)絡(luò)的信息源估計(jì) 1
1.1  介紹 1
1.2  相關(guān)工作 5
1.2.1  信息擴(kuò)散模型 5
1.2.2  信息源檢測 6
1.2.3  圖神經(jīng)網(wǎng)絡(luò) 7
1.3  準(zhǔn)備工作 8
1.4  多通道圖神經(jīng)網(wǎng)絡(luò) 10
1.4.1  輸入的特征指數(shù) 11
1.4.2  圖卷積網(wǎng)絡(luò) 14
1.4.3  MCGNN的體系結(jié)構(gòu) 15
1.4.4  損失函數(shù) 17
1.5  實(shí)驗(yàn) 17
1.5.1  數(shù)據(jù)集和實(shí)驗(yàn)裝置 17
1.5.2  基線和評(píng)估指標(biāo) 18
1.5.3  合成網(wǎng)絡(luò)的結(jié)果 20
1.5.4  現(xiàn)實(shí)世界網(wǎng)絡(luò)的結(jié)果 23
1.6  本章小結(jié) 26
第2章  基于超子結(jié)構(gòu)網(wǎng)絡(luò)的鏈路預(yù)測器 27
2.1  引言 27
2.2  現(xiàn)有的鏈路預(yù)測方法 29
2.2.1  啟發(fā)式方法 29
2.2.2  基于嵌入的方法 31
2.2.3  基于深度學(xué)習(xí)的模型 32
2.3  模型介紹 33
2.3.1  問題表述 33
2.3.2  鄰域歸一化 34
2.3.3  構(gòu)建HSN 35
2.3.4  HELP 37
2.4  實(shí)驗(yàn)分析 39
2.4.1  數(shù)據(jù)集 39
2.4.2  鏈路預(yù)測方法的比較 40
2.4.3  評(píng)價(jià)指標(biāo) 40
2.4.4  實(shí)驗(yàn)設(shè)置 41
2.4.5  鏈路預(yù)測結(jié)果 41
2.4.6  參數(shù)的敏感性 45
2.5  本章小結(jié) 46
第3章  基于子圖網(wǎng)絡(luò)的寬度學(xué)習(xí)圖分類方法 47
3.1  介紹 48
3.2  相關(guān)工作 49
3.2.1  子圖網(wǎng)絡(luò) 49
3.2.2  網(wǎng)絡(luò)表示 50
3.2.3  寬度學(xué)習(xí) 50
3.3  子圖網(wǎng)絡(luò) 51
3.3.1  一階子圖網(wǎng)絡(luò) 52
3.3.2  二階子圖網(wǎng)絡(luò) 53
3.4  采樣子圖網(wǎng)絡(luò) 55
3.4.1  采樣策略 55
3.4.2  構(gòu)建S2GN 58
3.5  基于S2GN的BLS分類器 59
3.5.1  圖分類 59
3.5.2  BLS分類器 59
3.5.3  分類框架 62
3.6  實(shí)驗(yàn) 62
3.6.1  數(shù)據(jù)集 62
3.6.2  網(wǎng)絡(luò)表示 63
3.6.3  基于SGN的圖分類 64
3.6.4  基于S2GN的圖分類 65
3.6.5  計(jì)算復(fù)雜度 67
3.7  總結(jié)與展望 68
第4章  子圖增強(qiáng)及其在圖數(shù)據(jù)挖掘中的應(yīng)用 69
4.1  引言 69
4.2  相關(guān)工作 71
4.2.1  圖分類 71
4.2.2  圖學(xué)習(xí)中的數(shù)據(jù)增強(qiáng) 72
4.3  圖分類模型演化框架 72
4.3.1  問題表述 72
4.3.2  子圖增強(qiáng) 73
4.3.3  數(shù)據(jù)篩選 77
4.3.4  模型演化框架 77
4.4  子圖增強(qiáng)的應(yīng)用 79
4.4.1  圖分類 80
4.4.2  鏈路預(yù)測 80
4.4.3  節(jié)點(diǎn)分類 82
4.4.4  實(shí)驗(yàn)結(jié)果 83
4.5  本章小結(jié) 86
第5章  基于圖的對(duì)抗攻擊：如何隱藏你的結(jié)構(gòu)信息 87
5.1  背景 88
5.2  對(duì)抗攻擊 90
5.2.1  問題描述 90
5.2.2  攻擊分類 91
5.3  攻擊策略 93
5.3.1  節(jié)點(diǎn)分類 93
5.3.2  鏈路預(yù)測 100
5.3.3  圖分類 104
5.3.4  社團(tuán)檢測 108
5.4  本章小結(jié) 113
第6章  基于圖的對(duì)抗防御：提高算法魯棒性 115
6.1  引言 115
6.2  對(duì)抗訓(xùn)練 117
6.2.1  圖對(duì)抗訓(xùn)練 117
6.2.2  平滑對(duì)抗訓(xùn)練 121
6.3  圖凈化 124
6.3.1  GCN-Jaccard 124
6.3.2  GCN-SVD 126
6.4  魯棒性驗(yàn)證 127
6.4.1  圖結(jié)構(gòu)擾動(dòng)下的魯棒性驗(yàn)證 128
6.4.2  節(jié)點(diǎn)屬性擾動(dòng)下的魯棒性驗(yàn)證 129
6.4.3  社團(tuán)檢測的魯棒性驗(yàn)證 131
6.5  基于結(jié)構(gòu)的防御 133
6.5.1  懲罰聚合GNN 133
6.5.2  魯棒圖卷積網(wǎng)絡(luò) 135
6.6  對(duì)抗檢測 137
6.6.1  基于節(jié)點(diǎn)分類的對(duì)抗檢測 137
6.6.2  基于圖分類的對(duì)抗檢測 138
6.7  防御總結(jié) 140
6.8  實(shí)驗(yàn)和分析 142
6.8.1  對(duì)抗訓(xùn)練 142
6.8.2  對(duì)抗檢測 146
6.9  本章小結(jié) 147
第7章  通過網(wǎng)絡(luò)方法理解以太坊交易 149
7.1  介紹 149
7.2  以太坊交易數(shù)據(jù)集 151
7.3  圖嵌入技術(shù) 153
7.3.1  基于因式分解的方法 153
7.3.2  基于隨機(jī)游走的方法 154
7.3.3  基于深度學(xué)習(xí)的方法 155
7.3.4  其他方法 156
7.4  方法 156
7.4.1  基本定義 156
7.4.2  動(dòng)態(tài)有偏游走 158
7.4.3  學(xué)習(xí)動(dòng)態(tài)圖嵌入 161
7.5  實(shí)驗(yàn) 163
7.5.1  節(jié)點(diǎn)分類 163
7.5.2  鏈路預(yù)測 165
7.6  本章小結(jié) 168
7.7  附錄 169
第8章  尋找你的餐友：Yelp網(wǎng)絡(luò)案例研究 171
8.1  介紹 171
8.2  數(shù)據(jù)描述和預(yù)處理 173
8.3  鏈路預(yù)測方法 176
8.3.1  相似性指數(shù) 176
8.3.2  變異圖自動(dòng)編碼器 177
8.4  實(shí)驗(yàn)分析 178
8.4.1  實(shí)驗(yàn)設(shè)置 178
8.4.2  朋友推薦 178
8.4.3  共同覓食的預(yù)測 180
8.5  本章小結(jié) 183
第9章  基于圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測深度學(xué)習(xí)框架 185
9.1  研究背景 185
9.2  相關(guān)工作 187
9.2.1  圖分析 187
9.2.2  交通狀態(tài)預(yù)測 188
9.3  模型 189
9.3.1  圖卷積神經(jīng)網(wǎng)絡(luò) 190
9.3.2  長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM) 192
9.3.3  圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò) 194
9.4  實(shí)驗(yàn) 195
9.4.1  數(shù)據(jù)集 195
9.4.2  對(duì)比實(shí)驗(yàn) 196
9.4.3  評(píng)價(jià)指標(biāo) 196
9.4.4  評(píng)估 197
9.4.5  實(shí)驗(yàn)和結(jié)果分析 197
9.5  本章小結(jié) 200
第10章  基于復(fù)雜網(wǎng)絡(luò)的時(shí)間序列分類 201
10.1  介紹 201
10.2  相關(guān)工作 203
10.2.1  時(shí)間序列分類 203
10.2.2  映射方法 204
10.2.3  圖的分類 205
10.3  方法 206
10.3.1  CLPVG 206
10.3.2  基于GNN的AVG 210
10.3.3  與LPVG的比較 213
10.4  實(shí)驗(yàn) 214
10.4.1  數(shù)據(jù)集 214
10.4.2  實(shí)驗(yàn)設(shè)置 215
10.4.3  實(shí)驗(yàn)結(jié)果 216
10.5  本章小結(jié) 218
第11章  探索社交機(jī)器人的受控實(shí)驗(yàn) 219
11.1  簡介 219
11.2  社交機(jī)器人的定義 221
11.3  社交機(jī)器人的應(yīng)用和影響 221
11.3.1  應(yīng)用 222
11.3.2  影響 222
11.4  社交機(jī)器人的開發(fā)技術(shù) 224
11.4.1  互聯(lián)網(wǎng)接入技術(shù) 224
11.4.2  人工智能基礎(chǔ) 225
11.4.3  網(wǎng)絡(luò)科學(xué)理論 226
11.5  社交機(jī)器人檢測 226
11.5.1  基于圖的檢測方法 227
11.5.2  基于特征的檢測方法 227
11.5.3  眾包檢測方法 228
11.5.4  多種方式的混合使用 229
11.6  社交機(jī)器人與社交網(wǎng)絡(luò)受控實(shí)驗(yàn) 229
11.6.1  在線社交網(wǎng)絡(luò)受控實(shí)驗(yàn) 230
11.6.2  社交機(jī)器人在受控實(shí)驗(yàn)中的應(yīng)用 232
11.6.3  社交機(jī)器人受控實(shí)驗(yàn)中的問題 237
11.7  結(jié)語 238
參考文獻(xiàn)(在線資源) 239