復(fù)雜網(wǎng)絡(luò)建模與行為分析

第1章 復(fù)雜網(wǎng)絡(luò)概述
11.1 復(fù)雜網(wǎng)絡(luò)基本理論概述
11.1.1 復(fù)雜網(wǎng)絡(luò)基本定義
11.1.2 復(fù)雜網(wǎng)絡(luò)統(tǒng)計特性
21.1.3 拓撲結(jié)構(gòu)屬性
41.2復(fù)雜網(wǎng)絡(luò)模型
51.2.1規(guī)則網(wǎng)絡(luò)
51.2.2隨機網(wǎng)絡(luò)
61.2.3小世界網(wǎng)絡(luò)
71.2.4無標度網(wǎng)絡(luò)
81.3 本章小結(jié)
12參考文獻：
第2章 基于網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜網(wǎng)絡(luò)影響力節(jié)點識別方法
152.1 相關(guān)研究工作
152.1.1 社區(qū)劃分
152.1.2 優(yōu)劣解距離法
162.2 基于網(wǎng)絡(luò)結(jié)構(gòu)和TOPSIS的影響力節(jié)點識別框架
182.2.1鄰域覆蓋策略
182.2.2基于K-shell和鄰域覆蓋的影響力節(jié)點識別框架
202.2.3基于社區(qū)和鄰域覆蓋的影響力節(jié)點識別框架
212.3 實驗設(shè)置
222.3.1 數(shù)據(jù)集
222.3.2 性能指標
232.4 實驗結(jié)果和分析
252.4.1 SIR模型和SI模型仿真分析
252.4.2 種子節(jié)點分散程度分析
302.5 本章小結(jié)32參考文獻：
第3章 基于社區(qū)的復(fù)雜網(wǎng)絡(luò)影響力最大化建模
343.1 問題分析和研究動機
343.1.1問題分析
343.1.2研究動機
353.2 相關(guān)研究工作
353.2.1 反向生成網(wǎng)絡(luò)
353.2.2 圖遍歷算法
363.3 基于社區(qū)的反向生成網(wǎng)絡(luò)影響力最大化框架
373.3.1 社區(qū)劃分
383.3.2 候選節(jié)點集生成
383.3.3 選擇影響力節(jié)點
413.4 實驗設(shè)置
433.4.1 數(shù)據(jù)集
433.4.2 性能指標
443.4.3 基線算法
453.5 實驗結(jié)果及分析
463.5.1 魯棒性分析
463.5.2 傳播規(guī)模分析
483.5.3 平均最短路徑長度分析
503.6 本章小結(jié)51參考文獻：51
第4章 基于圖注意力的復(fù)雜網(wǎng)絡(luò)影響力最大化模型
534.1 相關(guān)研究工作
534.1.1 圖注意力網(wǎng)絡(luò)
534.1.2 信息熵
544.2 影響力最大化模型IMGAT554.2.1 訓練數(shù)據(jù)集
554.2.2 模型結(jié)構(gòu)564.3實驗結(jié)果及分析564.3.1 實驗數(shù)據(jù)集
564.3.2 SIR模型分析574.3.3 最小種子節(jié)點集分析
584.4 本章總結(jié)60參考文獻：60
第5章 基于時空注意力異構(gòu)圖卷積神經(jīng)網(wǎng)絡(luò)的用戶轉(zhuǎn)發(fā)預(yù)測行為分析
第6章 融合超圖注意力機制與圖卷積網(wǎng)絡(luò)的用戶轉(zhuǎn)發(fā)行為906.1 問題描述
第7章 基于邊學習的多特征融合謠言檢測方法