扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
买过本商品的人还买了
在线社交网络结构特性与建模 版权信息
- ISBN：9787030552648
- 条形码：9787030552648 ; 978-7-03-055264-8
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
在线社交网络结构特性与建模 本书特色
本书主要围绕在线社交网结构特性与建模展开，从在线社交网络的交友特性分析与发现、在线社交服务的结构特性度量与计算方法、面向在线社交网络多属性融合特征的建模方法、超大规模在线社交网络的高效并行建模及计算方法四个方面展开阐述。
在线社交网络结构特性与建模 内容简介
本书主要围绕在线社交网结构特性与建模展开，从在线社交网络的交友特性分析与发现、在线社交服务的结构特性度量与计算方法、面向在线社交网络多属性融合特征的建模方法、超大规模在线社交网络的高效并行建模及计算方法四个方面展开阐述。
在线社交网络结构特性与建模 目录
目录
前言
第1章 绪论 1
1.1 社交网络概述及研究意义 1
1.2 社交网络的结构特性分析与建模 2
1.2.1 社交网络的结构建模 2
1.2.2 异质社交网络的结构建模 5
1.3 在线社交服务的交友特性分析与发现 6
1.3.1 级联交友特性分析 6
1.3.2 博弈交友特性分析 7
1.3.3 偏好性分析 7
1.4 社交网络的动力学分析 8
1.5 大规模社交网络计算 9
1.6 本书组织结构 11
参考文献 12
第2章 基础理论 14
2.1 概率统计与机器学习 14
2.2 图论的基本知识 17
2.2.1 图的定义 17
2.2.2 途径、迹、路和连通 18
2.2.3 距离和直径 19
2.3 博弈论 19
2.3.1 什么是博弈 19
2.3.2 博弈中的行为推理 20
2.3.3 *佳应对和占优策略 22
2.3.4 纳什均衡 23
第3章 社交网络结构特性分析 24
3.1 社交网络统计特性概述 24
3.2 社交网络重要特性 27
3.3 网络的核与核度 28
3.3.1 核度的定义 28
3.3.2 在线社交网络的核度计算方法 29
3.3.3 核度的应用 32
3.3.4 实验验证 33
3.4 结构洞分析 40
3.4.1 结构洞定义 40
3.4.2 结构洞分析研究现状 41
3.4.3 结构洞用户的影响力分析 43
3.4.4 结构洞用户作用分析 46
3.4.5 小结 48
3.5 本章小结 48
参考文献 49
第4章 在线社交服务的交友特性分析 51
4.1 在线社交服务的级联行为分析 51
4.1.1 级联相关研究现状 51
4.1.2 级联可预测性分析 52
4.1.3 级联预测的理论分析 53
4.1.4 实验分析结果 58
4.1.5 小结 59
4.2 网络交友行为的博弈论模型 60
4.2.1 交友行为的博弈思想和博弈行为推理 60
4.2.2 交友行为的博弈模型 60
4.3 交友行为的偏好性分析与发现 66
4.3.1 一维偏好分析模型 67
4.3.2 基于向量的偏好传播模型 68
4.3.3 偏好一致性及偏好传播的收敛性 69
4.3.4 偏好传播模型示例 71
4.3.5 实验结果 72
4.3.6 小结 72
4.4 本章小结 73
参考文献 73
第5章 社交网络的关系预测 78
5.1 社交网络的关系预测概述 78
5.2 社交网络关系强度预测 79
5.2.1 社交网络关系强度预测研究进展 79
5.2.2 社交网络关系强度预测线形模型 80
5.2.3 社交网络关系强度预测概率模型 81
5.3 社交网络关系类型挖掘 83
5.3.1 社交网络关系类型挖掘研究进展 83
5.3.2 社交网络关系类型挖掘TPFG模型 83
5.3.3 社交网络关系类型挖掘PLP-FGM模型 85
5.4 基于结构特征的社交网络强弱关系的预测 87
5.4.1 问题定义 87
5.4.2 模型概述 88
5.4.3 社交网络的结构特征 94
5.4.4 相关数据集与结果 98
5.5 本章小结 102
参考文献 103
第6章 社交网络的结构动力学模型 105
6.1 社交网络的结构动力学建模的介绍 105
6.1.1 在线信息传播无尺度性 105
6.1.2 爆发现象 105
6.1.3 累积效应 106
6.1.4 用户影响力 106
6.1.5 在线社会媒体信息的建模方法 107
6.2 国内外现状 109
6.3 社交网络的结构动力学模型与方法 110
6.3.1 消息流行度预测 110
6.3.2 用户的转发选择预测 116
6.3.3 用户人际影响力的推断 119
6.4 本章小结 122
参考文献 123
第7章 异质社交网络的结构建模 127
7.1 社交网络节点对齐概述 127
7.2 网络对齐研究现状 128
7.3 网络嵌入学习 131
7.4 异质网络的节点对齐方法 133
7.4.1 Facebook数据集实验 138
7.4.2 多领域合作者网络对齐实验 142
7.5 本章小结 144
参考文献 144
第8章 超大规模社交网络的计算方法 147
8.1 基于内存映射的单机高效图算法MMap 148
8.2 MapReduce并行处理方法 152
8.2.1 分布式文件系统 152
8.2.2 MapReduce流程 153
8.2.3 矩阵向量乘法和矩阵乘 155
8.2.4 MapReduce上的关系代数操作 156
8.2.5 MapReduce扩展 157
8.2.6 MapReduce的通信开销 158
8.2.7 MapReduce 的理论复杂度 159
8.2.8 基于MapReduce的开源平台 162
8.2.9 MapReduce总结 169
8.3 Pregel并行图计算方法 170
8.3.1 Pregel设计思想 170
8.3.2 Pregel工作流程 171
8.3.3 Pregel中的图计算 173
8.3.4 实验结果 174
8.4 Pegasus大规模并行图计算平台 175
8.4.1 基于GIM-V的图挖掘算法 176
8.4.2 节点相似度度量算法 181
8.5 本章小结 184
参考文献 185
第9章 总结 189
9.1 社交网络的结构特性总结 189
9.2 社交网络结构建模的关键问题 189
9.2.1 社交网络关系强度预测 189
9.2.2 基于核度理论的影响力*大化算法 190
9.3 社交网络结构建模的未来研究趋势 191
文摘
第1章 绪论
1.1 社交网络概述及研究意义
自1998年Watts和Strogatz在Nature上发表文献[1]提出小世界网络以及1999年Barabasi和Albert在Science上发表文献[2]提出无标度网络以后，掀起了一股研究复杂网络的热潮，这股热潮一直持续到今天，不但没有消退，而且吸引了更多学者的加入。在这以后的十几年中，对复杂网络的属性、拓扑结构以及模型等的研究得到了快速的发展，并且对复杂网络的典型，例如，神经网络、蛋白质网络、社交网络、科学家合作网等进行了深入的研究。对复杂网络的研究，能够帮助人们了解其内部结构和机理，从而能够更好地将其应用到人们的日常生活中。
社交网络作为复杂网络的一种典型，主要是为拥有相同兴趣与活动的人提供一个相互交流的平台，因此其中存在着复杂的用户群体互动行为。为了方便对社交网络结构进行研究，一般用一个复杂图来表示社交网络，图中的节点表示构成社交网络的基本要素的人，节点之间的连线(或称为连边)则代表人与人之间的联系。这种联系可以是有向的，就像Twitter中的关注关系；也可以是无向的，就像Facebook中的好友关系。
近些年来，在线社交网络出现了爆炸式的增长。微博、Facebook、Twitter等社交网站已经被越来越多的人熟知和使用，这些社交网站变得越来越流行，汇聚了全球几亿的用户。这些社交网络包含海量的信息，对社交网络的研究有着十分重要的实际意义。
对社交网络结构信息的研究，根据已有的结构信息以及节点间联系的紧密程度，可以将网络中的节点划分到不同的组中，其中每个组内部的节点之间联系非常紧密，而不同组的节点之间联系相对较少，这样在同一个组内的节点关系更强，节点信任度较高，相互之间的影响也较大，组内的节点容易具有更多的相似性，因此可以根据组中已知节点的信息推断出组中未知节点的属性等信息。这是对社交网络进行社区发现的一个重要应用。另外，社交网络中节点之间的连接也具有一定的内在联系，根据网络中已有的节点连接信息或者节点的属性特点，可以推断出在将来一段时间里节点之间可能形成的新的连接信息。这是链路预测的研究内容，社交网站上的好友推荐这一应用就是根据社交网站上各个个体的连接信息，基于某人邻居的邻居也有可能是其邻居的三元闭包特性推荐用户可能认识的人，或者是根据个体其自身的属性，如就读学校、所在单位、职业、兴趣爱好等信息，推荐其可能感兴趣的人。社交网络也是在动态变化的，对这一变化过程进行研究，利用统计数据分析过去的变化趋势，可以对未来可能出现的情况进行有效的预测，从而提前研究应该如何应对或是对其进行有效利用。网上商城中的商品个性化推荐等也是社交网络研究的典型应用，可以利用具有相似属性的个体浏览过的商品或是购买过一些相同商品的个体的购买信息进行商品推荐。
总的来说，对社交网络的研究主要集中在三个方面：社交网络的结构、社交网络的动态演化以及信息在社交网络上的传播。从本质上讲，对社交网络结构和动态演化的研究属于基础性研究，*终都是为研究信息在社交网络上的传播方式以及怎样可以使信息传播达到预期效果而服务的。
1.2 社交网络的结构特性分析与建模
1.2.1 社交网络的结构建模
社交网络是一种典型的复杂网络，其中存在着复杂的用户群体互动行为。与交通网络、通信网络和生物网络等其他复杂网络相比较而言，社交网络包含了更加海量和多元化的信息。在这些信息中，网络的结构信息十分重要：首先，它直观地反映了用户间通过相互关注建立的朋友关系，构成了网络中信息来往沟通的物理基础；其次，面向网络结构的研究不但可以印证在其他领域所发现的人类社会行为特征，如“富人俱乐部现象”等，还帮助人们发现新的社会行为规律，如社交群体中的社团聚集现象等；*后，由于网络结构是社交网络个体间信息传播的载体，所以与用户发表并传播文本内容等行为相关的用户话题建模、文本信息检索、影响力*大化问题等研究极大地依赖于对网络结构的深刻认识。可以说，社交网络的研究基础起始于对其网络结构的研究。
理解社交网络*直观的方法是观察其拓扑结构。随着在线社交网络用户日益增多，通过可视化的方式来研究社交网络在很多情况下并不适用。近年来，大量工作关注于研究社交网络的统计特性。统计特性的发现不仅可以让我们更加有效地关注于社交网络的整体特点，而且它对社交网络中个体行为分析、信息传播、舆情发现及预警等关键的应用问题有着至关重要的推动作用。
社交网络结构建模是在社交网络结构特性分析的基础上，对其形成机理和演化规律认识的验证与深化。常见的模型可分为两大类：一类是网络构造模型，通过显式地设定网络中节点的加入和边的形成过程来构建网络，这类模型的优点在于过程直观并可形象地模拟人类社交行为，缺点在于参数求解比较困难；另一类模型是采用统计建模方法的随机生成模型，将复杂的网络结构生成过程简化为若干基本概率步骤，并通过统计推断得到模型参数以还原这个生成过程，这类模型能够从宏观层面对网络结构的形成机制进行解释，然而却不如构造模型直观和具体。
网络构造模型经历了一个由ER(Erdos-Renyi)随机图模型到小世界、无标度模型的演化过程。其中ER随机图模型由著名数学家Erdos和Renyi于1960年提出[3]，该模型通过假设网络中所有潜在边都具有独立同分布生成概率，成功地刻画了网络中节点间连边的无序性，并在接下来近40年的时间里深刻影响着人们对复杂网络现象的认知。
随着现代电子计算机技术和互联网的发展，人们得到了更加强大的数据分析工具，并接触到了更多类型的复杂网络数据，如以万维网和电子邮件网络所代表的科技网络、以科研合作和演员合作关系所代表的社交网络、以道路运输网络代表的交通网络等。在实验中，人们发现ER随机图并不能有效地解释复杂网络中的一些常见现象，如通过该模型生成的人工仿真网络并不具有平均路径长度较短、聚集系数较高和节点度分布服从重尾分布的特征等，而这些规律在真实世界的网络中是普遍存在的。由此，人们需要通过新的网络模型刻画这些网络结构。在世纪之交，两个具有里程碑意义的工作分别刊登于Nature和Science，其中WS(Watts-Strogatz)模型[1]通过对规则栅格网络中的边进行概率重连接的方法，构造出了参数特征介于规则网络和ER随机网络之间的小世界网络，该网络具有较高的聚集系数与较短的平均路径长度，并在一定程度上解释了小世界现象的形成要素，而BA(Barabasi-Albert)模型[2]通过引入“择优连接”机制，构造出了具有无标度特征的网络结构，解释了导致网络产生重尾效应的客观规律。类似地，人们围绕小世界现象和无标度特征还建立了不同的模型，其中*主要的一类是基于“择优连接”机制展开的，这些模型都通过将新的节点加入网络来扩增网络规模，并以择优连接机制建立网络中的连接。然而这类模型的共同问题在于其网络直径是缓慢增长的，这与实际网络中常见的“直径缩减”特性相悖。由于这些模型通常是显式地给出了网络的生成机制，所以难以估计模型的相关参数，或者进行这种估计的价值是不大的，这就解释了为什么很少能看到将其与观测数据进行拟合和进行参数估计的工作。
上述工作的共同问题在于，模型都只注重于刻画网络中的一个或少数几个静态特征，模型不存在显式解，造成了参数估计比较困难，而Kronecker图模型则有效地克服了这些问题。Leskovec等[4]发现可以用矩阵的Kronecker乘积操作来生成网络，将两个图之间的Kronecker 积定义为它们的邻接矩阵的Kronecker积，就可以进行图的扩展操作，并且扩展生成的图具有自相似的特性。整个模型的生成过程是对一个初始图K1，进行i？1次Kronecker积操作，*终形成Ki。由于该方法具有独特的递归构造形式，所以Kronecker图模型所生成的网络具有良好的可分析性，并且对于具有成百上千万节点规模的巨大网络，仍然能够较为容易地得到模型的参数估计值。实验中发现，Kronecker图模型生成的网络可以很好地模拟静态网络的度分布、特征值分布以及动态网络的直径、密度变化的幂律分布等特性。而这些优良特性是前述模型所不具备的。
上述模型的提出，大都是由相关研究人员根据网络结构的静态特征，基于经验假设并设计相应算法来实现的。另外一种建模的方法是：首先观察真实世界的网络演化过程来分析用户行为规律，进而在模型中设定相应的规则来模拟这些行为。这类模型建立了用户行为与网络结构演化之间的关联，能够帮助分析人类的社交行为对网络结构的影响。Leskovec等[5]观察到用户加入网络后连接到邻居的邻居这一行为规律，提出了森林火灾模型。在该模型的演化过程中，度高的节点更容易被新增的节点连接，并且递归调用过程使得新增节点可以形成很多边，导致了入度与出度的重尾分布。新加入的节点与代表节点的邻居形成许多有向边、网络中形成社区、新增节点在代表节点社区附近形成许多连接等原因造成了网络的密度以及有效直径的变化。这些都是与真实网络中观察到的规律相符的。区别于其他研究网络统计属性的模型，Kumar等[6]将网络中的用户分为Passive、Linker和Inviter三类，新加入的节点被随机地指定为三类节点中的一种。在添加边时，首先按照择优连接原则从网络中已有的Inviter和Linker节点中选择一个作为边的源端。如果源端是Inviter节点，则新增一个节点作为边的终端与其相连；如果源端是Linker 节点，则从已有的Inviter和Linker节点中按照择优连接原则选出一个作为边的终端。按照该模型产生的网络与观察到的Flickr 和Yahoo！360°的3部分构成相符，包括巨大分支、孤立社区和孤立节点。Leskovec等[7]对4个真实社交网络的演化过程进行了观察和研究，总结了用户的行为规律，并在模型中进行重现。他们提出的网络完全演化模型包含了节点到达、边初始化以及边端点选择过程。其中边初始化过程中使用了节点生存时间以及“睡眠”的概念：对于网络中的节点，按照其度的某个指数函数产生一个时间间隔δ并进入睡眠状态δ个时刻，当其从睡眠状态中苏醒时，如果生存时间还没有到期，则使用随机-随机三角闭合模型产生一个长度为2的边(即随机选择该节点的一个邻居，然后随机选择该邻居的一个邻居，然后将该节点与选择的邻居的邻居相连形成一个长度为2的边)。如果一个节点的生存时间到期了，则该节点就要停止增加边；否则继续执行睡眠-苏醒这一过程。该模型生成网络的聚集系数、度分布、*短路径长度等参数都与Flickr等真实网络相近，因而可用来生成任意规模的人工合成网络。
另外一类重要的结构模型是随机生成模型，这类模型不考虑网络中具体节点和边的生成过程，而是将形成网络观测数据的复杂机制简化为几个基本的概率步骤。先假定网络的观测数据由一个潜在的概率统计过程生成，然后通过统计推断得到模型参数来还原这个结构。
一个典型例子是Handcock等[8]提出的隐含位置聚类模型(latent position cluster model)，该模型考虑了网络连通性及用户节点在属性和聚集特性上所表现的“同质性”等3个结构特征，并为每个用户分配一个在多维欧氏空间中的“社会定位”(social position)。模型通过假定相似的用户通常会聚集在同一个“社会定位”中，而相异的用户的“社会定位”相距较远，来模拟社交网络中用户交友关系的“同质性”现象。
社交网络结构的研究与分析，是社交网络研究中*早得到重视和探索的领域。本书针对社交网络结构特性和建模研究中的主要问题与研究进展进行了综述，给出了基于真实社交网络的经验数据之上统计属性的描述，包括小世界现象和无标度特性、网络弹性、核与核度、中心性、同配性、社区结构、网络特性与合作行为的关系。这些统计特征不仅包含复杂网络都具有的共性，如小世界现象，也有社交网络所具有的特性，如同配性及其演化。在结构建模部分，我们将现有研究工作分成网络构造模型
展开全部
书友推荐
本类畅销
-
基于近邻思想和同步模型的聚类算法
¥44.1¥59 -
深度学习
¥92.4¥168 -
微信背后的产品观
¥62.6¥88 -
NGINX经典教程
¥89.9¥119.8 -
图解TCP/IP(第6版)
¥56.9¥79.8 -
物联网动态服务的协同感知与调控优化
¥51.4¥72
