●第1部分 基礎知識
第1章 復雜網絡
1.1 復雜網絡簡介
1.1.1 復雜網絡的由來
1.1.2 復雜網絡的圖表示
1.1.3 復雜網絡的計算機表示
1.1.4 路徑與最短路徑
1.1.5 連通性
1.2 復雜網絡的拓撲性質
1.2.1 節點的度
1.2.2 度分布
1.2.3 平均路徑長度
1.2.4 直徑
1.2.5 集聚繫數
1.2.6 節點中心性
1.3 典型的復雜網絡模型
1.3.1 隨機網絡模型
1.3.2 小世界網絡模型
1.3.3 無標度網絡模型
第2章 鏈路預測
2.1 鏈路預測方法
2.2 鏈路預測技術
2.3 數據集劃分
2.3.1 隨機抽樣
2.3.2 逐項遍歷
2.3.3 k折疊交叉檢驗
2.3.4 熟識者抽樣
2.4 評價指標
2.4.1 AUC
2.4.2 準確度
2.4.3 排序分
2.5 應用
第3章 基於節點相似性的鏈路預測算法
3.1 基於局部信息的節點相似性算法
3.1.1 基於共同鄰居的節點相似性算法
3.1.2 基於Adamic-Adar的相似性算法
3.1.3 基於資源分配的相似性算法
3.1.4 基於偏好連接的相似性算法
3.1.5 基於局部樸素貝葉斯模型的相似性算法
3.2 基於路徑的節點相似性算法
3.2.1 基於局部路徑的相似性算法
3.2.2 Katz相似性算法
3.2.3 LHN-II相似性算法
3.3 基於隨機遊走的節點相似性算法
3.3.1 基於平均通勤時間的相似性算法
3.3.2 基於隨機遊走的餘弦相似性算法
3.3.3 有重啟的隨機遊走相似性算法
3.3.4 基於局部隨機遊走的相似性算法
3.3.5 基於疊加效應的隨機遊走相似性算法
3.4 其他節點相似性算法
3.4.1 基於矩陣森林理論的相似性算法
3.4.2 TSCN相似性算法
3.5 基於節點相似性的鏈路預測算法主函數
第2部分 基於網絡表示學習的高階鏈路預測算法
第4章 基於矩陣分解的DeepWalk鏈路預測算法
4.1 問題描述
4.2 模型框架
4.2.1 基於矩陣分解的DeepWalk算法
4.2.2 LPMF算法
4.3 實驗分析
4.3.1 實驗數據
4.3.2 基準方法
4.3.3 評價指標
4.3.4 實驗結果與分析
4.3.5 度分布可視化
4.3.6 調參與分析
4.3.7 網絡表示可視化
4.3.8 案例研究
第5章 基於網絡節點文本增強的鏈路預測算法
5.1 問題描述
……
鏈路預測旨在利用網絡的拓撲性質、節點特征等預測原本不相連的兩個節點未來產生連接的概率。如何更有效地挖掘節點的信息一直是影響鏈路預測性能的重要因素。目前提出的鏈路預測算法普遍存在預測性能差或算法時間復雜度高的問題，造成了鏈路預測應用的局限。高階的鏈路預測算法考慮了節點的1階相似性、2階相似性......n階相似性，融入了更多節點間的信息，可以更好地表示節點之間的關繫，從而更有效地挖掘網絡的信息。本書從復雜網絡角度出發，對基於高階編碼的鏈路預測算法進行了總結與探索。全書分為4部分，由11章構成。第1部分(第1~3章)介紹了復雜網絡與鏈路預測相關的基礎知識以及經典的基於節點相似性的鏈路預測算法;第2部分(第4~7章)考慮了節點與鄰居的鄰居節點的高階相似性關繫，介紹了基於網絡表示學習的高階編碼鏈路預測算法;第3部分(第8、9章)從物理學的角度出發，考慮節點與節點之間的相互作用力以及節點的高階特征，等
