第1章引言
本章參考文獻
第2章網絡構建方法
2.1直接觀察法
2.2基於多源數據的學術社交網絡構建方法
2.3基於視頻的社交網絡構建方法
2.3.1問題定義
2.3.2方法
2.4基於多層強化學習的網絡構建方法
2.4.1現存問題解決方案
2.4.2構建數據集
2.4.3OHRL算法設計
本章參考文獻
第3章社區分析基本知識
3.1社區發現的原理
3.1.1社區的定義
3.1.2社區發現的方法分類
3.2數據集與算法的評價指標
3.2.1經典數據集
3.2.2人工數據集生成
3.2.3評價指標
本章參考文獻
第4章非重疊社區發現方法
4.1概述
4.2基於網絡模體的局部社區發現方法
4.2.1預備知識
4.2.2通過小化1範數的局部擴張
4.2.3實驗結果與分析
4.2.4本節小結
4.3基於種子結點擴張采樣的社區發現方法
4.3.1問題定義
4.3.2SENE模型
4.3.3實驗結果與分析
本章參考文獻
第5章重疊社區發現方法
5.1概述
5.2基於粗糙集的重疊社區發現方法
5.2.1預備知識與定義
5.2.2方法
5.2.3時間復雜度分析
5.3基於邊圖的重疊社區發現方法
5.3.1方法
5.3.2時間復雜度分析
5.4實驗結果與分析
5.4.1對比方法
5.4.2實驗環境
5.4.3數據集
5.4.4評價指標
5.4.5實驗與結果分析
5.5本章小結
本章參考文獻
第6章面向富信息網絡的社區發現方法
6.1概述
6.2基於生成模型的動態主題社區發現方法
6.2.1動態主題社區發現方法
6.2.2DTCD模型推理
6.2.3推斷快照網絡中的各個參數
6.2.4實驗結果與分析
6.3本章小結
本章參考文獻
第7章基於網絡表示學習的社區發現方法
7.1概述
7.2基於矩陣分解的網絡表示學習方法
7.2.1M-NMF模型
7.2.2模型化
7.3基於隨機遊走的網絡表示學習方法
7.3.1DeepWalk:社交表示的在線學習
7.3.2Node2Vec: 大規模網絡特征學習
7.4基於深度神經網絡的網絡表示學習方法
7.4.1SDNE結構化深度網絡表示學習方法
7.4.2DNGR深度神經網絡的網絡表示學習方法
7.5其他網絡表示學習方法
7.5.1LINE大規模網絡表示方法
7.5.2問題定義
7.5.3大規模網絡表示方法
7.5.4LANE標簽信息屬性網絡表示學習方法
本章參考文獻
第8章大規模網絡社區發現方法
8.1概述
8.2基於Spark的並行增量動態社區發現方法
8.2.1基本概念和定義
8.2.2基於Spark的並行增量動態社區發現算法描述
8.2.3實驗結果與分析
8.2.4本節小結
8.3基於加權聚類繫數的並行增量動態社區發現方法
8.3.1相關工作
8.3.2相關定義
8.3.3SPDCD算法
8.3.4實驗結果與分析
8.3.5本節小結
8.4基於邊圖的並行重疊社區發現方法
8.4.1方法
8.4.2時間復雜度分析
8.4.3並行化設計
8.4.4實驗結果與分析
8.4.5本節小結
本章參考文獻
第9章基於社區發現的交叉研究
9.1概述
9.2基於社交網絡社區的組推薦框架
9.2.1組推薦問題定義
9.2.2基於社交網絡社區的組推薦框架
9.2.3實驗結果與分析
9.2.4本節小結
9.3基於社區分析的情感研究
9.3.1情感行為時間序列的社交網絡用戶聚類分析
9.3.2社交網絡情感社區發現研究
本章參考文獻
第10章總結
本章參考文獻

社交網絡已經成為人們溝通交流的重要手段，而社交媒體也已經成為人們獲取信息的主要渠道。社交網絡中的結點代表用戶，邊代表用戶之間的好友關繫、評論關繫及轉發關繫，等等。社交網絡的網絡結構蘊含著豐富的知識，社交網絡用戶的行為具有潛在的模式，社交網絡中的信息傳播具有潛在的規律。在政府管理、企業的市場營銷等領域，社交網絡已經成為了解用戶觀點和習慣的關鍵渠道。顯而易見，社交網絡分析已經成為具有社會價值和商業價值的重要科學問題。社交網絡本質上是一種復雜網絡，而復雜網絡是網絡科學研究的基礎對像。社區結構分析是網絡科學研究的基礎問題，它的研究也隨著20世紀末網絡科學的悄然興起而受到眾多學者的關注。社區結構分析是從中觀結構深入理解社交網絡的有效手段，能夠進一步分析社交網絡中的群體行為，能夠進一步對社交網絡上信息的傳播過程進行建模，因此社區結構分析有著重要意義。本書正是基於此，從問題分類、方法、技術及應用等不同的角度來總結社區發現的研究成果。
本書共10章，從內容上可分為3個部分。第1部分是基礎知識，包括第1、2、3、10章，分別是引言、網絡構建方法、社區分析基本知識和總結，這部分是全書的基礎章節，對相關章節涉及的基礎知識和核心技術進行初步介紹與總結。第2部分是相關算法，包括第4、5、6、7、8章，分別是非重疊社區發現方法、重疊社區發現方法、面向富信息網絡的社區發現方法、基於網絡表示學習的社區發現方法、大規模網絡社區發現方法。第3部分是社區發現方法的應用，即第9章，基於社區發現的交叉研究。
本書各主要章節內容如下。
第2章主要介紹網絡構建方法。社區發現的研究對像是網絡數據。網絡構建是形成網絡數據的直接方法，其處理對像包含了個體之間的直接交互、文本數據、視頻數據等，分別對應直接觀察法、基於多源數據的學術社交網絡構建方法、基於視頻的網絡構建方法。
第3章主要介紹社區分析基本知識。內容包括：社區的定義，這是其他章節的基礎知識；傳統的社區發現方法及其算法復雜度，傳統方法包含了非重疊社區發現方法和重疊社區發現方法；數據集與算法的評價指標，數據集包含了經典數據集、人工數據集，評價指標包含了模塊度、標準互信息、正確率、蘭德指數、傑卡德指數、調整的蘭德指數、Omega指數，等等。
第4章主要介紹近的非重疊社區發現方法。非重疊社區發現方法將節點指派為一個確定的社區。本章結合網絡模體和網絡表示學習方法，分別介紹了基於網絡模體的局部社區發現方法和基於種子結點擴張采樣的社區發現方法。
第5章主要介紹重疊社區發現方法。針對重疊社區發現方法的準確率不高、發現結果具有隨機性、過度重疊和無法處理大規模網絡等問題，分別介紹了一種基於粗糙集的重疊社區方法和一種基於邊圖的重疊社區發現方法及其並行化方法。
第6章主要介紹面向富信息網絡的社區發現方法。網絡數據包含了除網絡結構以外的其他信息，比如文本信息、結點屬性或行為等，本章介紹了一種對網絡結構、文本信息和時間信息統一建模，進而動態發現社區及其主題的方法。
第7章主要介紹基於網絡表示學習的社區發現方法。傳統的網絡表示形式在進行網絡處理和分析時存在一些挑戰，包括高計算復雜度、低可並行性和機器學習方法的不適用性等。本章介紹了基於矩陣分解的網絡表示學習方法、基於隨機遊走的網絡表示學習方法、基於深度神經網絡的網絡表示學習方法及其他網絡表示學習方法。
第8章主要介紹大規模網絡社區發現方法。包括基於Spark的並行增量動態社區發現方法、基於加權聚類繫數的並行增量動態社區發現方法、基於邊圖的並行重疊社區發現方法。
第9章主要介紹基於社區發現的交叉研究。包括基於社交網絡社區的組推薦框架、基於社區分析的情感研究。
本書的編寫得到了華北科技學院計算機學院和北京郵電大學計算機學院數據科學與服務中心師生的支持，他們是田立勤、陳振國、劉宇、呂金娜、寧念文、朱江、尹丁藝、肖琰、張翠雲和遲人俊，作者在此一並表示感謝。同時，還要感謝華北科技學院重點學科建設項目的支持，以及北京交通大學出版社譚文芳編輯為本書出版所做的努力。
作者作為在計算機領域從事科研和教學的教師，在專業知識的深度和廣度上都有局限性，本書難免存在不足之處，熱烈歡迎廣大讀者反饋，並對本書提出寶貴意見和建議，作者將不斷改進。

張雲雷
2022年1月