在信息智能技術的支撐下，大數據、云計算、物聯(lián)網、人工智能等技術正成為當下社會最鮮明的時代特征，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(tài)網絡上的動態(tài)過程屬于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并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(guī)律。
本書的核心內容就是面向復雜網絡的結構和動態(tài)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(jié)點信息，從結構和攻擊效果闡述網絡的脆弱性，研究基于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(lián)，讓人們認識復雜自適應系統(tǒng)的演化機理，掌握復雜自適應系統(tǒng)的博弈手段。立足于不同層次上的認知能力，本書著重從偶對近似、群體選擇和分布式學習三個方面出發(fā)，闡釋復雜自適應系統(tǒng)上的演化、博弈和協(xié)同。
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 網絡特征表示學習問題 6
1.2.3 網絡結構的脆弱性 6
1.3 網絡的動態(tài)性 7
1.3.1 網絡中的動態(tài)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 基于節(jié)點相似性的鏈路預測模型 20
2.1.2 基于 GCN 的鏈路預測模型 21
2.1.3 基于微分圖方程組的動態(tài)結構預測22
2.2 基于動態(tài)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：基于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 基于隨機游走的表示學習 45
3.2.2 基于矩陣分解的表示學習 48
3.2.3 基于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(jiān)督的網絡表示學習 57
3.3.3 結合邊上標簽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 基于元路徑的異構網絡表示學習 64
3.4.2 基于最優(yōu)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 基于 Node2Vec 的節(jié)點表示學習 74
3.5.4 基于結構與屬性的節(jié)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 基于網絡結構特征的脆弱節(jié)點識別 80
4.1.2 基于鄰接信息熵的關鍵點識別算法 81
4.1.3 基于誤差重構的節(jié)點價值分析模型 85
4.2 相互依存網絡中的級聯(lián)失效性分析 90
4.2.1 相互依存網絡中的級聯(lián)失效問題 91
4.2.2 基于相繼故障滲流模型的網絡脆弱性分析 95
4.2.3 基于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(jié)點識別 108
4.3.1 基于鄰接信息熵的關鍵點識別 108
4.3.2 基于誤差重構的關鍵節(jié)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(tǒng)協(xié)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 基于距離的結構重連 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 基于近似多數模型的動態(tài)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 基于加權狀態(tài)演化的信息傳播 179
5.5.1 加權狀態(tài)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系模型 219
6.2.3 包含依賴關系的流阻斷模型 220
6.2.4 邏輯–物理雙層網絡最短路阻斷 223
6.3 動態(tài)對抗條件下的阻斷 226
6.3.1 網絡阻斷的動態(tài)假設 227
6.3.2 動態(tài)多重網絡最短路阻斷模型框架 227
6.3.3 網間反饋關系建模 230
6.3.4 動態(tài)網絡阻斷模型 235
6.3.5 動態(tài)網絡阻斷模型實驗驗證 237
6.4 應用：動態(tài)雙層網絡最短路阻斷實驗 239
6.4.1 動態(tài)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(xù)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(guī)模的影響 264
7.3.4 嵌入系數 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(tài)模式 269
7.4.3 基于 Kendall 相關系數的一致性分析 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(xié)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 基于分布式學習的自適應動態(tài)性 293
8.3.1 節(jié)點角色演化 293
8.3.2 風險規(guī)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(xié)同理論分析 304
8.4.1 學習率的影響 306
8.4.2 任務規(guī)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：分布式任務分組中自適應協(xié)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(guī)模的增長 314
8.5.4 動態(tài)任務下的動態(tài)分組 317
8.6 本章小結 318
參考文獻 319
書單推薦
