异构信息网络挖掘：原理和方法

丛书前言
译者序
摘要和关键词
第1章引言
11异构信息网络是什么
12为什么异构网络挖掘是一项新的挑战
13本书的内容组织
第一部分基于排名的聚类和分类
第2章基于排名的聚类
21概述
22RankClus算法
221排名函数
222从条件排名分布到新的聚类度量
223聚类中心和距离测量
224RankClus算法总结
225实验结果
23NetClus算法
231排名函数
232NetClus算法框架
233网络聚类中目标对象生成模型
234目标对象和属性对象的后验概率
235实验结果
第3章异构信息网络的分类
31概述
32GNetMine
321分类问题定义
322基于图的正则化框架
33RankClass
331RankClass框架
332基于图的排名
333调整网络
334后验概率计算
34实验结果
341数据集
342准确性研究
343案例研究
第二部分基于元路径的相似性搜索和挖掘
第4章基于元路径的相似性搜索
41概述
42PathSim：基于元路径的相似性度量
421网络模式和元路径
422基于元路径的相似性框架
423PathSim：全新的相似性度量
43单一元路径的在线查询处理
431单一元路径的连接
432基准算法
433基于共同聚类的剪枝
44多重元路径的组合
45实验结果
451有效性
452效率对比
453Flickr网络的案例研究
第5章基于元路径的关系预测
51概述
52基于元路径的关系预测框架
521基于元路径的拓扑特征空间
522监督式关系预测框架
53合著关系预测
531合著关系预测模型
532实验结果
54带时间的关系预测
541面向作者引用关系预测的基于元路径的拓扑特征
542关系建立时间预测模型
543实验结果
第三部分关系强度感知挖掘
第6章不完全属性的关系强度感知聚类
61概述
62关系强度感知聚类的问题定义
63聚类框架
631模型综述
632属性生成建模
633结构一致性建模
634统一模型
64聚类算法
641聚类优化
642链接类型强度学习
643整合：GenClus算法
65实验结果
651数据集
652有效性研究
第7章通过元路径选择的用户引导聚类
71概述
72用户引导聚类的元路径选择问题
721元路径选择问题
722用户引导的聚类
723问题定义
73概率模型
731关系生成建模
732用户引导建模
733对元路径选择的质量权重建模
734统一模型
74学习算法
741给定元路径权重优化聚类结果
742给定聚类结果优化元路径权重
743PathSelClus算法
75实验结果
751数据集
752有效性研究
753元路径权重的案例研究
76讨论
第8章研究前沿
参考文献