復(fù)雜網(wǎng)絡(luò)：結(jié)構(gòu)與動態(tài)演化分析

目錄
第 1 章 緒論　　　　　　　　　　　 1
1.1 網(wǎng)絡(luò)視角下的現(xiàn)實世界　 2
1.1.1 隨機網(wǎng)絡(luò)　　　　　　　　　　2
1.1.2 小世界網(wǎng)絡(luò)　　　　　　　　 3
1.1.3 無標度網(wǎng)絡(luò)　　　　　　　　 4
1.2 網(wǎng)絡(luò)結(jié)構(gòu)與性能分析　　　 5
1.2.1 網(wǎng)絡(luò)結(jié)構(gòu)重構(gòu)問題　　　　5
1.2.2 網(wǎng)絡(luò)特征表示學習問題　6
1.2.3 網(wǎng)絡(luò)結(jié)構(gòu)的脆弱性　　　　 6
1.3 網(wǎng)絡(luò)的動態(tài)性　　　　　　　　　7
1.3.1 網(wǎng)絡(luò)中的動態(tài)過程　　　　 7
1.3.2 網(wǎng)絡(luò)中的信息阻斷　　　　 9
1.3.3 網(wǎng)絡(luò)演化過程分析　　　　 11
1.4 本書組織結(jié)構(gòu)　　　　　　　　　13
參考文獻　　　　　　　　　　　　　　　14
第 2 章 網(wǎng)絡(luò)中的結(jié)構(gòu)重構(gòu)方法　　　　　　19
2.1 部分結(jié)構(gòu)已知條件下的重構(gòu)方法　　 19
2.1.1 基于節(jié)點相似性的鏈路預(yù)測模型　 20
2.1.2 基于 GCN 的鏈路預(yù)測模型　　　　　21
2.1.3 基于微分圖方程組的動態(tài)結(jié)構(gòu)預(yù)測22
2.2 基于動態(tài)時序數(shù)據(jù)的結(jié)構(gòu)重構(gòu)方法　 24
2.2.1 時序數(shù)據(jù)網(wǎng)絡(luò)重構(gòu)概念　　　　　　　　 24
2.2.2 時序數(shù)據(jù)網(wǎng)絡(luò)重構(gòu)常用方法　　　　　 25
2.3 應(yīng)用：基于離散信息的網(wǎng)絡(luò)拓撲還原方法 27
2.3.1 網(wǎng)絡(luò)重構(gòu)算法　　　　　　　　　　　　　　　　27
2.3.2 子圖重構(gòu)　　　　　　　　　　　　　　　　　　　30
2.3.3 子圖疊加　　　　　　　　　　　　　　　　　　　30
2.3.4 網(wǎng)絡(luò)重構(gòu)實驗分析　　　　　　　　　　　　　31
2.4 本章小結(jié)　　　　　　　　　　　　　　　　　　　　　38
參考文獻　　　　　　　　　　　　　　　　　　　　　　　 38
第 3 章 網(wǎng)絡(luò)結(jié)構(gòu)與屬性的表示學習方法　 42
3.1 網(wǎng)絡(luò)表示學習問題　　　　 42
3.1.1 網(wǎng)絡(luò)表示學習的定義　 42
3.1.2 網(wǎng)絡(luò)表示學習的方法　 43
3.2 網(wǎng)絡(luò)結(jié)構(gòu)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(wǎng)絡(luò)屬性信息的表示學習方法　　54
3.3.1 結(jié)合文本信息的網(wǎng)絡(luò)表示學習　54
3.3.2 半監(jiān)督的網(wǎng)絡(luò)表示學習　　　　　　57
3.3.3 結(jié)合邊上標簽信息的網(wǎng)絡(luò)表示學習　 61
3.4 異構(gòu)網(wǎng)絡(luò)的表示學習方法　　　　　　　 64
3.4.1 基于元路徑的異構(gòu)網(wǎng)絡(luò)表示學習　 64
3.4.2 基于最優(yōu)化的異構(gòu)網(wǎng)絡(luò)表示學習　 68
3.4.3 屬性多重異構(gòu)網(wǎng)絡(luò)表示學習　 69
3.5 應(yīng)用：電影網(wǎng)絡(luò)中的表示學習　 72
3.5.1 數(shù)據(jù)集情況　 72
3.5.2 數(shù)據(jù)預(yù)處理及構(gòu)建電影網(wǎng)絡(luò)　 73
3.5.3 基于 Node2Vec 的節(jié)點表示學習　 74
3.5.4 基于結(jié)構(gòu)與屬性的節(jié)點表示學習　 75
3.6 本章小結(jié)　　　　　　　75
參考文獻　　　　　　　　　　76
第 4 章 網(wǎng)絡(luò)結(jié)構(gòu)的脆弱性分析　79
4.1 網(wǎng)絡(luò)結(jié)構(gòu)脆弱性問題　 79
4.1.1 基于網(wǎng)絡(luò)結(jié)構(gòu)特征的脆弱節(jié)點識別　 80
4.1.2 基于鄰接信息熵的關(guān)鍵點識別算法　 81
4.1.3 基于誤差重構(gòu)的節(jié)點價值分析模型　 85
4.2 相互依存網(wǎng)絡(luò)中的級聯(lián)失效性分析　 90
4.2.1 相互依存網(wǎng)絡(luò)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(wǎng)絡(luò)脆弱性分析　95
4.2.3 基于馬爾可夫模型的網(wǎng)絡(luò)脆弱性分析　 97
4.3 應(yīng)用：公用網(wǎng)絡(luò)中的關(guān)鍵節(jié)點識別　108
4.3.1 基于鄰接信息熵的關(guān)鍵點識別　108
4.3.2 基于誤差重構(gòu)的關(guān)鍵節(jié)點識別　113
4.4 本章小結(jié)　118
參考文獻 118
第 5 章 網(wǎng)絡(luò)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(yīng)選舉者模型 137
5.1.4 自適應(yīng)群體博弈模型 143
5.1.5 自適應(yīng)系統(tǒng)協(xié)同模型 149
5.2 自適應(yīng)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(jié)構(gòu)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(shù)模型的動態(tài)過程　173
5.4.1 近似多數(shù)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(quán)狀態(tài)演化的信息傳播　179
5.5.1 加權(quán)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(yīng)用：選舉者網(wǎng)絡(luò)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(jié)　200
參考文獻 200
第 6 章 網(wǎng)絡(luò)中的信息阻斷 210
6.1 網(wǎng)絡(luò)阻斷問題　210
6.1.1 網(wǎng)絡(luò)阻斷的應(yīng)用背景 211
6.1.2 網(wǎng)絡(luò)阻斷的基礎(chǔ)模型 212
6.1.3 網(wǎng)絡(luò)阻斷的變種類別 216
6.2 依賴網(wǎng)絡(luò)中的網(wǎng)絡(luò)阻斷　218
6.2.1 依賴網(wǎng)絡(luò)及其阻斷問題的應(yīng)用背景 219
6.2.2 依賴網(wǎng)絡(luò)中的依賴關(guān)系模型 219
6.2.3 包含依賴關(guān)系的流阻斷模型 220
6.2.4 邏輯–物理雙層網(wǎng)絡(luò)最短路阻斷 223
6.3 動態(tài)對抗條件下的阻斷　226
6.3.1 網(wǎng)絡(luò)阻斷的動態(tài)假設(shè) 227
6.3.2 動態(tài)多重網(wǎng)絡(luò)最短路阻斷模型框架 227
6.3.3 網(wǎng)間反饋關(guān)系建模 230
6.3.4 動態(tài)網(wǎng)絡(luò)阻斷模型 235
6.3.5 動態(tài)網(wǎng)絡(luò)阻斷模型實驗驗證 237
6.4 應(yīng)用：動態(tài)雙層網(wǎng)絡(luò)最短路阻斷實驗　239
6.4.1 動態(tài)雙層網(wǎng)絡(luò)實驗數(shù)據(jù)　239
6.4.2 實驗分析 240
6.5 本章小結(jié)　 244
參考文獻 244
第 7 章 網(wǎng)絡(luò)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(shù) p 的影響 266
7.4 應(yīng)用：合作群體瓦解預(yù)測　 267
7.4.1 預(yù)警信號挖掘 267
7.4.2 預(yù)警信號的動態(tài)模式 269
7.4.3 基于 Kendall 相關(guān)系數(shù)的一致性分析 272
7.4.4 預(yù)警信號的準確性分析　277
7.5 本章小結(jié)　281
參考文獻 282
第 8 章 網(wǎng)絡(luò)中的智能協(xié)同 285
8.1 背景介紹　286
8.2 智能體網(wǎng)絡(luò)任務(wù)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(yīng)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(wǎng)絡(luò)結(jié)構(gòu)調(diào)整 297
8.3.4 圖轉(zhuǎn)移的完備性 300
8.3.5 算法流程 303
8.4 自適應(yīng)協(xié)同理論分析 304
8.4.1 學習率的影響 306
8.4.2 任務(wù)規(guī)模越大，資源浪費率越小 307
8.4.3 功能集合越大，任務(wù)成功率越小 308
8.5 應(yīng)用：分布式任務(wù)分組中自適應(yīng)協(xié)同　 309
8.5.1 基準實驗 310
8.5.2 功能服務(wù)集合的擴大 314
8.5.3 任務(wù)規(guī)模的增長 314
8.5.4 動態(tài)任務(wù)下的動態(tài)分組 317
8.6 本章小結(jié)　318
參考文獻 319