矩阵分解学习及其网络社区发现方法

作品简介

《矩阵分解学习及其网络社区发现方法》系统性地介绍目前矩阵分解学习和网络社区发现的主要研究方法，并针对网络社区发现中数据特性问题，以社会网络和科学网络为主要应用数据，进行社区发现相关方法实例与应用介绍。《矩阵分解学习及其网络社区发现方法》适合高校计算机专业和社会网络分析与管理相关读者使用。

施晓华,博士，上海交通大学副研究馆员,2019年获上海交通大学计算机博士学位，目前担任上海交通大学图书馆平台与技术支撑部主任。

作品目录

• 内容提要
• 前言
• 1　绪论
• 1.1　引言
• 1.2　本书主要内容
• 1.3　本书结构安排
• 2　社区发现方法
• 2.1　传统方法
• 2.2　分裂方法
• 2.3　基于模块度的方法
• 2.4　统计推断法
• 2.5　重叠社区发现
• 2.6　贝叶斯社区发现
• 2.7　本章小结
• 3　矩阵分解学习主要方法
• 3.1　PCA矩阵分解
• 3.2　ICA矩阵分解
• 3.3　SVD矩阵分解
• 3.4　VQ矩阵分解
• 3.5　NMF非负矩阵分解
• 3.6　半监督NMF分解
• 3.7　贝叶斯NMF分解
• 3.8　矩阵分解中的模式选择
• 3.9　矩阵分解学习与社区发现
• 3.10　本章小结
• 4　基于半监督矩阵分解的社区发现方法
• 4.1　半监督对称NMF方法
• 4.2　PCSNMF方法设计及算法推导
• 4.3　PCSNMF在社会网络中的实验与分析
• 4.3.1.1　常用网络数据集介绍
• 4.3.1.2　DBLP合作网络及其真实社区
• 4.3.1.3　LiveJournal社会网络及其真实社区
• 4.4　本章小结
• 5　基于贝叶斯矩阵分解的社区发现方法
• 5.1　贝叶斯对称NMF方法
• 5.2　BSNMF非重叠社区发现实验
• 5.3　BSNMF在重叠社区发现中的应用
• 5.4　本章小结
• 6　矩阵分解学习社区发现应用研究
• 6.1　科学网络社区发现应用
• 6.2　中文科学网络社区发现应用实践
• 6.3　机构学术数据处理及学者甄别社区发现应用实践
• 6.4　数字人文社会网络方法应用
• 6.5　本章小结
• 7　总结及展望
• 7.1　总结
• 7.2　展望
• 参考文献