社会机器学习

目录
前言
第1章 绪论 1
1.1 认知与学习 1
1.1.1 格式塔学派顿悟说 2
1.1.2 现代认知学习理论 2
1.2 网络化社会 3
1.2.1 大数据化社会 5
1.2.2 物联化社会 6
1.2.3 智慧化社会 7
1.3 社会认知和学习 8
1.4 机器学习 10
1.5 社会机器学习 11
1.5.1 概念 11
1.5.2 主要功能 17
第2章 机器学习理论 21
2.1 人工智能技术发展背景 21
2.1.1 发展历程 22
2.1.2 研究内容 23
2.2 典型机器学习算法 32
2.2.1 线性回归算法 32
2.2.2 逻辑回归算法 33
2.2.3 决策树算法 33
2.2.4 基于实例的算法 34
2.2.5 贝叶斯算法 35
2.2.6 关联规则学习 36
2.2.7 集成学习 36
2.3 深度学习 37
2.3.1 监督学习 38
2.3.2 多层神经网络训练 40
2.3.3 卷积神经网络 41
2.3.4 分布式特征表示 44
2.3.5 递归神经网络 45
2.3.6 未来展望 46
2.4 类脑机器学习 47
2.4.1 类脑记忆 47
2.4.2 类脑计算 49
第3章 社会聚类学习 52
3.1 问题背景 52
3.2 社会网络特征结构发现 53
3.3 社会网络的超图模型 56
3.3.1 超图的基本概念 57
3.3.2 模型要素与特征 59
3.4 HCH方法 62
3.4.1 HCH方法的基本思想 62
3.4.2 超边的相似性 63
3.4.3 超边的融合 67
3.4.4 划分密度 68
3.4.5 覆盖效应分析 71
3.5 案例分析 73
3.5.1 实验Ⅰ 73
3.5.2 实验Ⅱ 77
3.6 HCH方法时间复杂度分析和应用特点 79
3.6.1 HCH方法时间复杂度分析 79
3.6.2 HCH方法应用特点 80
3.7 本章小结 81
参考文献 81
第4章 社会关联学习 83
4.1 问题背景 83
4.2 研究现状 84
4.2.1 网络链路预测研究现状 84
4.2.2 链路预测效果评价指标 88
4.3 网络关联重构算法 89
4.3.1 基于随机分块模型的链路去噪 89
4.3.2 基于层次概率树的链路预测 98
4.3.3 基于结构相似性的关联分析指标 103
4.3.4 网络还原程度分析 115
4.4 本章小结 126
参考文献 126
第5章 社会角色学习 129
5.1 问题背景 129
5.2 节点特征与行为模式分析 131
5.2.1 节点特征 131
5.2.2 用户行为 132
5.3 节点影响力分析 138
5.3.1 用户影响力的研究 138
5.3.2 影响力因素 141
5.3.3 社交网络影响力的度量方法 143
5.4 角色分析 151
5.4.1 一般复杂网络基于结构等价性的角色分析 152
5.4.2 社会网络中节点角色分析 156
5.5 节点角色分析实验 159
5.5.1 基于有向拓扑势的节点角色发现算法 159
5.5.2 基于非负矩阵分解的角色发现算法 164
5.5.3 基于特征向量聚类的角色发现算法 165
5.6 本章小结 166
参考文献 166
第6章 社会行为学习 168
6.1 问题背景 168
6.2 国内外研究现状 169
6.2.1 社会网络信息传播模型 169
6.2.2 网络演化博弈模型 170
6.3 演化博弈方法相关概念 171
6.3.1 演化博弈论基本思想 172
6.3.2 演化稳定策略 172
6.3.3 适应度 173
6.3.4 弱选择 173
6.4 社会网络的演化博弈模型 174
6.4.1 网络结构 175
6.4.2 演化规则 178
6.4.3 静态均匀网络信息传播模型 179
6.4.4 静态非均匀网络信息传播模型 186
6.5 社会网络的协同演化模型 188
6.5.1 社会网络动态性对信息传播的影响 189
6.5.2 演化规则 191
6.5.3 协同演化博弈模型 193
6.5.4 网状结构和层次结构上的博弈分析 195
6.6 算法与仿真 197
6.6.1 静态均匀网算法与仿真 197
6.6.2 ER随机网络算法与仿真 200
6.6.3 BA无标度网络算法与仿真 202
6.6.4 协同演化博弈算法与仿真Ⅰ 203
6.6.5 协同演化博弈算法与仿真Ⅱ 206
6.7 案例应用 210
6.7.1 实验Ⅰ 215
6.7.2 实验Ⅱ 216
6.8 本章小结 218
参考文献 220
第7章 社会弱项学习 223
7.1 问题描述 223
7.1.1 背景及意义 223
7.1.2 研究现状 224
7.2 基本概念 225
7.2.1 一般脆弱性的定义 225
7.2.2 社会网络复杂性 225
7.2.3 社会网络脆弱性 226
7.3 主要模型 227
7.3.1 异质容量模型 227
7.3.2 基于马尔可夫逻辑的异质网络模型 230
7.3.3 马尔可夫逻辑网基本理论 234
7.3.4 马尔可夫逻辑网决策推理 236
7.3.5 能力向量 239
7.3.6 其他模型 239
7.4 弱项学习方法 240
7.4.1 基于偏序生成树的网络脆弱性学习 240
7.4.2 基于影响模型与马尔可夫链的网络脆弱性学习 247
7.4.3 基于状态演化模型的社会网络结构弱项学习 250
7.5 案例实验 252
7.5.1 电力网络建模 252
7.5.2 电力网络弱项学习 254
7.5.3 电力网络弱项学习的流程 256
7.5.4 实验结果分析 257
7.6 本章小结 260
参考文献 260
第8章 社会异常学习 263
8.1 问题描述 263
8.1.1 背景及意义 263
8.1.2 研究现状 264
8.1.3 主要问题 267
8.2 基本概念 268
8.2.1 一般异常的定义 268
8.2.2 社会组织异常的定义 268
8.2.3 社会组织异常的分类 269
8.3 主要模型 270
8.3.1 网络相似度模型 270
8.3.2 社团演化模型 273
8.3.3 异常子序列学习模型 276
8.4 案例实验 281
8.4.1 社会网络动态描述 281
8.4.2 异常子序列检测 287
8.5 本章小结 289
参考文献 291
附录 293