社交網絡對齊

张忠宝，长期从事社交网络分析、大数据处理领域研究工作。在该领域，创新性地提出了一系列针对静态和动态场景、用户和社区粒度的社交网络对齐方法，提出了一系列基于融合的跨社交网络用户画像和分析方法，并研发了一个社交网络对齐与分析平台。该平台在相关领域得到了重要应用，实现了跨社交网络账号的关联和融合分析，获得了有关部门的肯定和认可。申请人以第一或通信作者身份发表CCF A类论文8篇。作为课题负责人主持国家重点研发计划项目课题1项，主持国家自然科学基金项目2项，包括联合基金培育项目1项（大数据环境下的人物身份消歧与融合算法，U1936103）和青年基金项目1项（动态环境下的虚拟网络映射方法研究，61602050），以主研人参与国家重点研发计划课题、国家自然科学基金创新研究群体项目和国家自然科学基金重点项目各1项。 申请人取得的主要研究成果有：1）在静态社交网络对齐方面，提出了一种鲁棒的、可充分利用多社交网络信息的用户对齐方法，实现了多个社交网络间高效率、高准确率的用户对齐（IJCAI 2018、TKDE 2021）；2）在动态用户对齐方面，提出了一种基于循环神经网络的社交网络用户对齐方法和一种基于用户行为分析的社交网络用户对齐方法，提高了对齐的准确率（IJCAI 2020、AAAI 2021、AAAI 2022）；3）在知识图谱表示方面，提出了一种基于狄利克雷分布的知识图谱表示方法，提升了表示的准确性（WWW 2022）。 在社会服务方面，担任中国计算机学会服务计算专委会秘书处成员，中国人工智能学会委员，中国计算机学会大数据专委会通讯委员。担任IEEE TKDE、AAAI、IEEE TNSM、Information Science、Computer Network、Globecom、ICC等20余个知名国际期刊审稿人/PC member。

第 一章 社交網絡 11

1.1 社交網絡與圖 11

1.1.1 社交網絡 12

1.1.2 社交網絡的形式化表達 18

1.2 圖 24

1.2.1 圖的經典算法 24

1.2.2 圖的結構分析 29

1.2.3 特殊的圖 34

1.3 社交網絡建模 37

1.3.1 小世界理論和六度空間 38

1.3.2 ER隨機網絡模型 38

1.3.3 WS小世界網絡模型 40

1.3.4 Barabási無標度網絡模型 42

1.4 本章小結 44

參考文獻 44

第二章 圖神經網絡 46

2.1 圖神經網絡基礎 46

2.1.1 神經元 46

2.1.2 多層感知機 49

2.1.3 誤差反向傳播算法 52

2.1.4 圖神經網絡 55

2.2 圖捲積網絡 55

2.2.1 捲積與池化 55

2.2.2 圖捲積 57

2.2.3 頻域圖捲積 58

2.2.4 空域圖捲積 65

2.3 圖註意力網絡 67

2.3.1 註意力機制 67

2.3.2 圖註意力網絡 69

2.4 本章小結 70

參考文獻 71

第三章 圖表示學習及其應用 73

3.1 圖嵌入相關理論 73

3.1.1 圖嵌入 73

3.1.2 編碼器與解碼器 74

3.2 基於隨機游走的圖表示學習 76

3.2.1DeepWalk 77

3.2.2 Node2vec 80

3.2.3 Metapath2vec 82

3.3 基於深度學習的圖表示學習 85

3.3.1 GraphSAGE 85

3.3.2 VGAE 88

3.3.3 GraphCL 91

3.4 本章小節 94

參考文獻 94

第四章 基於微分方程的動態圖表示學習方法 96

4.1 問題定義 100

4.1.1 符號與概念 100

4.1.2 問題描述 102

4.2 基於微分方程的動態圖網絡表示學習算法 102

4.2.1 算法框架 102

4.2.2 初始化 103

4.2.3 節點鄰居採樣 105

4.2.4 聚合操作 106

4.2.5 自定義損失函數與端到端優化 110

4.2.6 性能分析 111

4.3 基於受控微分方程的改進算法 112

4.3.1 問題引入 112

4.3.2 解決方案與分析 113

4.3.3 小結 117

4.4 實驗與分析 118

4.4.1 數據集 118

4.4.2 評價指標 119

4.4.3 對比方法 120

4.4.4 參數設置 121

4.4.5 主要結果和分析 123

4.4.6 其他結果 127

4.5 本章小結 128

參考文獻 130

第五章 基於狄利克雷分佈的知識圖譜表示方法 134

5.1 問題定義 136

5.1.1 符號與概念 136

5.1.2 問題描述 137

5.2 利用狄利克雷分佈的知識表示學習 137

5.2.1 模型建立 137

5.2.2 優化目標 139

5.3 DiriE表現能力理論分析 140

5.3.1 實體與關系的二元嵌入 140

5.3.2 復雜關系的表現能力 141

5.3.3 知識圖譜的不確定性 143

5.4 實驗與分析 144

5.4.1 數據集 144

5.4.2 相關任務 144

5.4.3 評價指標 145

5.4.4 主要結果和分析 145

5.4.5 關系模式與不確定性分析 147

5.5 本章小結 151

參考文獻 152

第六章 靜態的社交網絡用戶對齊方法 156

6.1 問題定義 157

6.1.1 符號與概念 157

6.1.2 問題描述 158

6.2 基於矩陣分解的用戶對齊方法 159

6.2.1 方法概述 159

6.2.2 有約束的雙重表徵模型 160

6.2.3 非凸解耦的交替優化算法 162

6.2.4 收斂性分析 166

6.3 基於模糊聚類的並行化對齊方法 172

6.3.1 方法概述 173

6.3.2 增廣圖輔助表徵階段 174

6.3.3 平衡感知的模糊聚類階段 174

6.4 實驗與分析 176

6.4.1 數據集 176

6.4.2 評價指標 177

6.4.3 對比方法 177

6.4.4 參數設置 178

6.4.5 結果和分析 178

6.5 本章小結 185

參考文獻 186

第七章 動態的社交網絡用戶對齊方法 189

7.1 問題定義 190

7.1.1 符號與概念 191

7.1.2 問題描述 191

7.2 基於圖神經網絡的聯合優化模型 191

7.2.1 模型概述 192

7.2.2 動態圖自編碼機 193

7.2.3 本徵表示學習 195

7.2.4 聯合優化模型 196

7.3 協同圖深度學習的交替優化算法 196

7.3.1 算法概述 197

7.3.2 投影矩陣最優化子問題 198

7.3.3 本徵矩陣最優化子問題 199

7.3.4 收斂性分析 201

7.4 實驗與分析 206

7.4.1 數據集 206

7.4.2 評價指標 207

7.4.3 對比方法 207

7.4.4 參數設置 208

7.4.5 結果和分析 209

7.5 本章小結 218

參考文獻 219

第八章 基於無監督學習的社交網絡用戶對齊方法 222

8.1 問題定義 224

8.1.1 符號與概念 224

8.1.2 問題描述 226

8.2 基於結構的無監督多網絡用戶對齊框架 227

8.2.1 結構公共子空間 227

8.2.2 多網絡節點映射 231

8.2.3 用戶相似度計算 233

8.3 聯合優化算法 234

8.3.1 公共子空間基 H 234

8.3.2 對角錐矩陣 B 239

8.3.3 復雜度分析 242

8.4 實驗與分析 243

8.4.1 數據集 243

8.4.2 評價指標 246

8.4.3 對比方法 247

8.4.4 參數設置 248

8.4.5 主要結果和分析 249

8.5 本章小結 253

參考文獻 254

第九章 基於遷移學習的社交網絡用戶對齊方法 257

9.1 問題定義 260

9.1.1 符號與概念 260

9.1.2 問題描述 262

9.2 REBORN框架 262

9.2.1 Ego-Transformer：社交網絡對齊 262

9.2.2 WWGAN：領域差異消除 267

9.2.3 REBORN：統一框架 270

9.3 實驗與分析 272

9.3.1 數據集 273

9.3.2 評價指標 273

9.3.3 對比方法 274

9.3.4 參數設置 275

9.3.5 主要結果和分析 277

9.4 本章小結 283

參考文獻 284

第十章 基於雙曲空間的社交網絡社區對齊方法 289

10.1 問題定義 290

10.1.1 符號與概念 290

10.1.2 問題描述 291

10.2 基於雙曲空間的社區對齊模型 291

10.2.1 模型概述 292

10.2.2 表徵空間選擇 292

10.2.3 雙曲空間與龐加萊球模型 295

10.2.4 社交網絡的雙曲空間嵌入 297

10.2.5 混合雙曲聚類模型 297

10.2.6 社區對齊的最優化問題 298

10.3 基於黎曼幾何的交替優化算法 299

10.3.1 算法概述 300

10.3.2 社區表徵最優化子問題 302

10.3.3 公共子空間最優化子問題 304

10.3.4 可識別性分析 306

10.4 實驗與分析 308

10.4.1 數據集 308

10.4.2 評價指標 309

10.4.3 對比方法 309

10.4.4 參數設置 311

10.4.5 結果和分析 311

10.5 本章小結 316

參考文獻 317

第十一章 社交網絡中的用戶推薦 320

11.1 簡介 320

11.1.1用戶推薦對社交網絡的作用和意義 320

11.1.2用戶推薦系統架構 321

11.2 基於傳統的推薦 (經典方法) 324

11.2.1 協同過濾User-CF Item-CF 324

11.2.2 邏輯回歸 328

11.2.3 FM（Factorization Machine，因子分解機） 329

11.2.4 GBDT + LR 331

11.3 基於深度學習的推薦 (早期純深度學習經典方法) 333

11.3.1 Deep Crossing (2016) 333

11.3.2 Neural CF 335

11.3.3 PNN模型 336

11.3.4 DIN 或 AFM (註意力機制引入) 337

11.4 推薦在社交網絡的具體應用 339

11.4.1 註意力機制的實踐 339

11.4.2 自動學習路徑遞歸 342

11.4.3跨域推薦實現 343

11.5 推薦的熱點方向 345

11.5.1 DIEN 345

11.5.2自註意時序推薦 346

11.5.3 BERT4Rec順序推薦模型 348

11.6 本章小結 349

參考文獻 349

第十二章 社區發現 352

12.1社區發現簡介 352

12.1.1 社區發現的背景 353

12.1.2 社區發現的定義與預備知識 354

12.1.3 社區發現的發展歷史 355

12.2基於捲積網絡的社區發現方法 358

12.2.1基於CNN的社區發現 358

12.2.2基於GCN的社區發現 367

12.3基於圖註意力網絡的社區發現方法 375

12.3.1 MAGNN: 用於異質圖嵌入的元路徑聚合圖神經網絡 375

12.3.2 DMGI：無監督的多重網絡屬性表示 379

12.3.3HDMI: 高階深度可復用信息網絡 382

12.4基於圖對抗網絡的社區發現方法 384

12.4.1 JANE：聯合對抗網絡表示 384

12.4.2 ProGAN: 通過近似生成對抗網絡進行網絡嵌入 387

12.4.3 CANE：基於對抗訓練的社區發現網絡表示 390

12.5基於自編碼器的社區發現方法 391

12.5.1 SDCN:結構式深度聚類網絡 391

12.5.2 MAGCN:多視點屬性圖捲積網絡聚類模型 397

12.5.3 One2Multi:基於多視圖圖聚類的圖自編碼器 400

12.6 本章小結403

參考文獻 403

第十三章 社交網絡騙局 406

13.1 簡介 406

13.2 欺詐用戶檢測 407

13.2.1概述 407

13.2.2 圖在欺詐用戶檢測中的應用 408

13.2.3 基於圖捲積神經網絡的垃圾郵件檢測 411

13.2.4 基於強化學習檢測偽裝欺詐者 415

13.3謠言檢測 417

13.3.1 概述 417

13.3.2 基於雙向圖捲積網絡(Bi-GCN)的謠言檢測 419

13.3.3基於事件增強的謠言檢測 422

13.3.4 基於圖結構對抗學習的社交網絡謠言檢測 424

13.3.5 基於聯合學習的突發謠言檢測 428

13.4 虛假新聞檢測 431

13.4.1 概述 431

13.4.2 基於用戶可信度社交網絡虛假新聞檢測 432

13.4.3 基於強化學習的弱監督虛假新聞檢測 435

13.4.4 基於遷移學習的虛假新聞檢測 439

13.5本章小節 441

參考文獻 442

第十四章 社交網絡趨勢分析 445

14.1 簡介 445

14.2 情感分析 446

14.2.1 概述 446

14.2.2 用於社交網絡情感分析的捲積LSTM模型 447

14.2.3 基於模糊規則的社交網絡無監督情感分析 450

14.2.4 面向多模態社交網絡的輿情情感分析 452

14.3 觀點挖掘 453

14.3.1 概述 453

14.3.2基於詞匯和機器學習的社交網絡有用意見挖掘方法 454

14.3.3 基於多模態多視圖的觀點挖掘 456

14.3.4 基於交互式更新標簽的新冠疫情觀點挖掘 459

14.4 熱點事件分析 461

14.4.1 概述 461

14.4.2 社交網絡中實時緊急熱點識別系統 462

14.4.3 基於知識的多模態社會熱點分析 463

14.4.4 社交熱點的推特情感分析 466

14.5 用戶影響力分析 469

14.5.1概述 469

14.5.2衡量社交網絡用戶影響力的傳統方法 470

14.5.3 基於PageRank的微博用戶影響力分析 473

14.5.4 Github開發者社交網絡用戶影響分析 476

14.6本章小節 480

參考文獻 481