商品描述
在信息智能技術的支撐下，大數據、雲計算、物聯網、人工智能等技術正成為當下社會鮮明的時代特徵，
在這個時代中，人們爭相利用網絡數據提煉有效信息以催生服務價值。
研究動態網絡上的動態過程屬於典型的交叉學科領域研究。
本書主要從計算機科學角度介紹並討論網絡結構認知和演化動力學方面的研究成果，
通過對經典的網絡模型和其中的典型應用進行詳細的討論和解析分析，探索隱藏在其中的模式規律。
本書的核心內容就是面向複雜網絡的結構和動態演化分析，結合網絡數據信息，挖掘隱含的網絡結構，
分析結構和屬性的表示學習，揭示網絡的節點信息，從結構和攻擊效果闡述網絡的脆弱性，
研究基於信息的網絡阻斷問題，揭示局部行為和全局特性之間的深層關聯，
讓人們認識複雜自適應系統的演化機理，掌握複雜自適應系統的博弈手段。
立足於不同層次上的認知能力，本書著重從偶對近似、
群體選擇和分佈式學習三個方面出發，闡釋複雜自適應系統上的演化、博弈和協同。
目錄大綱
目錄
第1 章緒論1
1.1 網絡視角下的現實世界2
1.1.1 隨機網絡2
1.1.2 小世界網絡3
1.1.3 無標度網絡4
1.2 網絡結構與性能分析5
1.2.1 網絡結構重構問題5
1.2.2 網絡特徵表示學習問題6
1.2.3 網絡結構的脆弱性6
1.3 網絡的動態性7
1.3.1 網絡中的動態過程7
1.3.2 網絡中的信息阻斷9
1.3.3 網絡演化過程分析11
1.4 本書組織結構13
參考文獻14
第2 章網絡中的結構重構方法19
2.1 部分結構已知條件下的重構方法19
2.1.1 基於節點相似性的鏈路預測模型20
2.1.2 基於GCN 的鏈路預測模型21
2.1.3 基於微分圖方程組的動態結構預測22
2.2 基於動態時序數據的結構重構方法24
2.2.1 時序數據網絡重構概念24
2.2.2 時序數據網絡重構常用方法25
2.3 應用：基於離散信息的網絡拓撲還原方法27
2.3.1 網絡重構算法27
2.3.2 子圖重構30
2.3.3 子圖疊加30
2.3.4 網絡重構實驗分析31
2.4 本章小結38
參考文獻38
第3 章網絡結構與屬性的表示學習方法42
3.1 網絡表示學習問題42
3.1.1 網絡表示學習的定義42
3.1.2 網絡表示學習的方法43
3.2 網絡結構信息的表示學習方法45
3.2.1 基於隨機遊走的表示學習45
3.2.2 基於矩陣分解的表示學習48
3.2.3 基於深度學習的表示學習52
3.3 網絡屬性信息的表示學習方法54
3.3.1 結合文本信息的網絡表示學習54
3.3.2 半監督的網絡表示學習57
3.3.3 結合邊上標籤信息的網絡表示學習61
3.4 異構網絡的表示學習方法64
3.4.1 基於元路徑的異構網絡表示學習64
3.4.2 基於最優化的異構網絡表示學習68
3.4.3 屬性多重異構網絡表示學習69
3.5 應用：電影網絡中的表示學習72
3.5.1 數據集情況72
3.5.2 數據預處理及構建電影網絡73
3.5.3 基於Node2Vec 的節點表示學習74
3.5.4 基於結構與屬性的節點表示學習75
3.6 本章小結75
參考文獻76
第4 章網絡結構的脆弱性分析79
4.1 網絡結構脆弱性問題79
4.1.1 基於網絡結構特徵的脆弱節點識別80
4.1.2 基於鄰接信息熵的關鍵點識別算法81
4.1.3 基於誤差重構的節點價值分析模型85
4.2 相互依存網絡中的級聯失效性分析90
4.2.1 相互依存網絡中的級聯失效問題91
4.2.2 基於相繼故障滲流模型的網絡脆弱性分析95
4.2.3 基於馬爾可夫模型的網絡脆弱性分析97
4.3 應用：公用網絡中的關鍵節點識別108
4.3.1 基於鄰接信息熵的關鍵點識別108
4.3.2 基於誤差重構的關鍵節點識別113
4.4 本章小結118
參考文獻118
第5 章網絡中的信息傳播123
5.1 背景介紹124
5.1.1 傳播動力學124
5.1.2 群體動力學132
5.1.3 自適應選舉者模型137
5.1.4 自適應群體博弈模型143
5.1.5 自適應系統協同模型149
5.2 自適應信息傳播模型155
5.2.1 理論分析156
5.2.2 偶對近似159
5.2.3 高階變量160
5.2.4 從歸一到分裂162
5.3 基於距離的結構重連166
5.3.1 rewire-to-foaf 策略166
5.3.2 近似微分方程167
5.3.3 案例分析169
5.4 基於近似多數模型的動態過程173
5.4.1 近似多數模型173
5.4.2 近似微分方程174
5.4.3 案例分析177
5.5 基於加權狀態演化的信息傳播179
5.5.1 加權狀態演化180
5.5.2 近似微分方程181
5.5.3 案例分析182
5.6 應用：選舉者網絡的演化與近似185
5.6.1 從偶對近似到交接近似186
5.6.2 從近似主方程到雙星近似190
5.7 本章小結200
參考文獻200
第6 章網絡中的信息阻斷210
6.1 網絡阻斷問題210
6.1.1 網絡阻斷的應用背景211
6.1.2 網絡阻斷的基礎模型212
6.1.3 網絡阻斷的變種類別216
6.2 依賴網絡中的網絡阻斷218
6.2.1 依賴網絡及其阻斷問題的應用背景219
6.2.2 依賴網絡中的依賴關係模型219
6.2.3 包含依賴關係的流阻斷模型220
6.2.4 邏輯–物理雙層網絡最短路阻斷223
6.3 動態對抗條件下的阻斷226
6.3.1 網絡阻斷的動態假設227
6.3.2 動態多重網絡最短路阻斷模型框架227
6.3.3 網間反饋關係建模230
6.3.4 動態網絡阻斷模型235
6.3.5 動態網絡阻斷模型實驗驗證237
6.4 應用：動態雙層網絡最短路阻斷實驗239
6.4.1 動態雙層網絡實驗數據239
6.4.2 實驗分析240
6.5 本章小結244
參考文獻244
第7 章網絡中的群體演化246
7.1 背景介紹247
7.2 演化群體模型249
7.2.1 無博弈演化251
7.2.2 長期連續演化過程254
7.2.3 合作群體的衰退254
7.3 擾動作用下的合作群體瓦解259
7.3.1 擾動實驗259
7.3.2 合作的韌性261
7.3.3 擾動規模的影響264
7.3.4 嵌入係數p 的影響266
7.4 應用：合作群體瓦解預測267
7.4.1 預警信號挖掘267
7.4.2 預警信號的動態模式269
7.4.3 基於Kendall 相關係數的一致性分析272
7.4.4 預警信號的準確性分析277
7.5 本章小結281
參考文獻282
第8 章網絡中的智能協同285
8.1 背景介紹286
8.2 智能體網絡任務分組288
8.2.1 研究動機288
8.2.2 模型定義290
8.2.3 勞動力分工292
8.3 基於分佈式學習的自適應動態性293
8.3.1 節點角色演化293
8.3.2 風險規避學習295
8.3.3 網絡結構調整297
8.3.4 圖轉移的完備性300
8.3.5 算法流程303
8.4 自適應協同理論分析304
8.4.1 學習率的影響306
8.4.2 任務規模越大，資源浪費率越小307
8.4.3 功能集合越大，任務成功率越小308
8.5 應用：分佈式任務分組中自適應協同309
8.5.1 基準實驗310
8.5.2 功能服務集合的擴大314
8.5.3 任務規模的增長314
8.5.4 動態任務下的動態分組317
8.6 本章小結318
參考文獻319
