圖數(shù)據(jù)挖掘：算法、安全與應用

第1章  基于多通道圖神經(jīng)網(wǎng)絡的信息源估計 1
1.1  介紹 1
1.2  相關工作 5
1.2.1  信息擴散模型 5
1.2.2  信息源檢測 6
1.2.3  圖神經(jīng)網(wǎng)絡 7
1.3  準備工作 8
1.4  多通道圖神經(jīng)網(wǎng)絡 10
1.4.1  輸入的特征指數(shù) 11
1.4.2  圖卷積網(wǎng)絡 14
1.4.3  MCGNN的體系結構 15
1.4.4  損失函數(shù) 17
1.5  實驗 17
1.5.1  數(shù)據(jù)集和實驗裝置 17
1.5.2  基線和評估指標 18
1.5.3  合成網(wǎng)絡的結果 20
1.5.4  現(xiàn)實世界網(wǎng)絡的結果 23
1.6  本章小結 26
第2章  基于超子結構網(wǎng)絡的鏈路預測器 27
2.1  引言 27
2.2  現(xiàn)有的鏈路預測方法 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  基于深度學習的模型 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  構建HSN 35
2.3.4  HELP 37
2.4  實驗分析 39
2.4.1  數(shù)據(jù)集 39
2.4.2  鏈路預測方法的比較 40
2.4.3  評價指標 40
2.4.4  實驗設置 41
2.4.5  鏈路預測結果 41
2.4.6  參數(shù)的敏感性 45
2.5  本章小結 46
第3章  基于子圖網(wǎng)絡的寬度學習圖分類方法 47
3.1  介紹 48
3.2  相關工作 49
3.2.1  子圖網(wǎng)絡 49
3.2.2  網(wǎng)絡表示 50
3.2.3  寬度學習 50
3.3  子圖網(wǎng)絡 51
3.3.1  一階子圖網(wǎng)絡 52
3.3.2  二階子圖網(wǎng)絡 53
3.4  采樣子圖網(wǎng)絡 55
3.4.1  采樣策略 55
3.4.2  構建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  實驗 62
3.6.1  數(shù)據(jù)集 62
3.6.2  網(wǎng)絡表示 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  計算復雜度 67
3.7  總結與展望 68
第4章  子圖增強及其在圖數(shù)據(jù)挖掘中的應用 69
4.1  引言 69
4.2  相關工作 71
4.2.1  圖分類 71
4.2.2  圖學習中的數(shù)據(jù)增強 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 73
4.3.3  數(shù)據(jù)篩選 77
4.3.4  模型演化框架 77
4.4  子圖增強的應用 79
4.4.1  圖分類 80
4.4.2  鏈路預測 80
4.4.3  節(jié)點分類 82
4.4.4  實驗結果 83
4.5  本章小結 86
第5章  基于圖的對抗攻擊：如何隱藏你的結構信息 87
5.1  背景 88
5.2  對抗攻擊 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)點分類 93
5.3.2  鏈路預測 100
5.3.3  圖分類 104
5.3.4  社團檢測 108
5.4  本章小結 113
第6章  基于圖的對抗防御：提高算法魯棒性 115
6.1  引言 115
6.2  對抗訓練 117
6.2.1  圖對抗訓練 117
6.2.2  平滑對抗訓練 121
6.3  圖凈化 124
6.3.1  GCN-Jaccard 124
6.3.2  GCN-SVD 126
6.4  魯棒性驗證 127
6.4.1  圖結構擾動下的魯棒性驗證 128
6.4.2  節(jié)點屬性擾動下的魯棒性驗證 129
6.4.3  社團檢測的魯棒性驗證 131
6.5  基于結構的防御 133
6.5.1  懲罰聚合GNN 133
6.5.2  魯棒圖卷積網(wǎng)絡 135
6.6  對抗檢測 137
6.6.1  基于節(jié)點分類的對抗檢測 137
6.6.2  基于圖分類的對抗檢測 138
6.7  防御總結 140
6.8  實驗和分析 142
6.8.1  對抗訓練 142
6.8.2  對抗檢測 146
6.9  本章小結 147
第7章  通過網(wǎng)絡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 153
7.3.1  基于因式分解的方法 153
7.3.2  基于隨機游走的方法 154
7.3.3  基于深度學習的方法 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  動態(tài)有偏游走 158
7.4.3  學習動態(tài)圖嵌入 161
7.5  實驗 163
7.5.1  節(jié)點分類 163
7.5.2  鏈路預測 165
7.6  本章小結 168
7.7  附錄 169
第8章  尋找你的餐友：Yelp網(wǎng)絡案例研究 171
8.1  介紹 171
8.2  數(shù)據(jù)描述和預處理 173
8.3  鏈路預測方法 176
8.3.1  相似性指數(shù) 176
8.3.2  變異圖自動編碼器 177
8.4  實驗分析 178
8.4.1  實驗設置 178
8.4.2  朋友推薦 178
8.4.3  共同覓食的預測 180
8.5  本章小結 183
第9章  基于圖卷積循環(huán)神經(jīng)網(wǎng)絡的交通流量預測深度學習框架 185
9.1  研究背景 185
9.2  相關工作 187
9.2.1  圖分析 187
9.2.2  交通狀態(tài)預測 188
9.3  模型 189
9.3.1  圖卷積神經(jīng)網(wǎng)絡 190
9.3.2  長短期記憶神經(jīng)網(wǎng)絡(LSTM) 192
9.3.3  圖卷積循環(huán)神經(jīng)網(wǎng)絡 194
9.4  實驗 195
9.4.1  數(shù)據(jù)集 195
9.4.2  對比實驗 196
9.4.3  評價指標 196
9.4.4  評估 197
9.4.5  實驗和結果分析 197
9.5  本章小結 200
第10章  基于復雜網(wǎng)絡的時間序列分類 201
10.1  介紹 201
10.2  相關工作 203
10.2.1  時間序列分類 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  實驗 214
10.4.1  數(shù)據(jù)集 214
10.4.2  實驗設置 215
10.4.3  實驗結果 216
10.5  本章小結 218
第11章  探索社交機器人的受控實驗 219
11.1  簡介 219
11.2  社交機器人的定義 221
11.3  社交機器人的應用和影響 221
11.3.1  應用 222
11.3.2  影響 222
11.4  社交機器人的開發(fā)技術 224
11.4.1  互聯(lián)網(wǎng)接入技術 224
11.4.2  人工智能基礎 225
11.4.3  網(wǎng)絡科學理論 226
11.5  社交機器人檢測 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  社交機器人與社交網(wǎng)絡受控實驗 229
11.6.1  在線社交網(wǎng)絡受控實驗 230
11.6.2  社交機器人在受控實驗中的應用 232
11.6.3  社交機器人受控實驗中的問題 237
11.7  結語 238
參考文獻(在線資源) 239