0去购物车结算
购物车中还没有商品，赶紧选购吧！
当前位置: 图书分类 > 信息技术 > 计算机网络 > 网络表示学习的理论与应用

相同语种的商品

销售排行榜

浏览历史

网络表示学习的理论与应用


联系编辑
 
标题：
 
内容：
 
联系方式：
 
  
网络表示学习的理论与应用
  • 书号：9787030778857
    作者：王静红
  • 外文书名：
  • 装帧：平装
    开本：B5
  • 页数：213
    字数：285000
    语种：zh-Hans
  • 出版社：科学出版社
    出版时间：2024-12-01
  • 所属分类：计算机网络
  • 定价： ￥128.00元
    售价： ￥101.12元
  • 图书介质:
    纸质书

  • 购买数量： 件  可供
  • 商品总价：

相同系列
全选

内容介绍

样章试读

用户评论

全部咨询

本书介绍了在人工智能与大数据时代背景下，网络表示学习的理论与应用。提出了网络表示学习的关键在于将网络中的节点映射到低维空间，形成能够反映节点间复杂关系的向量表示。书中讨论了各种先进的网络表示学习方法，如基于图注意力机制、图自编码器和深度学习技术，并提供了大量实验和案例分析，展示了这些方法在不同数据集上的应用效果。这些案例覆盖了社交网络、生物信息学、知识图谱等领域，证明了网络表示学习技术在多样化场景中的适用性和有效性。通过系统的理论基础和丰富的实践案例，本书旨在帮助读者深入理解和应用网络表示学习。
样章试读
  • 暂时还没有任何用户评论
总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页

全部咨询(共0条问答)

  • 暂时还没有任何用户咨询内容
总计 0 个记录，共 1 页。 第一页 上一页 下一页 最末页
用户名： 匿名用户
E-mail：
咨询内容：

目录

  • 目录
    序
    前言
    第1章 网络表示学习 1
    1.1 研究背景 1
    1.2 研究目标 2
    1.3 研究内容 3
    第2章 网络表示学习综述 5
    2.1 同构网络的表示学习模型 5
    2.1.1 基于随机游走的网络表示学习模型 5
    2.1.2 基于矩阵分解的网络表示学习模型 5
    2.1.3 基于深度学习的网络表示学习模型 6
    2.1.4 基于双曲空间的网络表示学习模型 7
    2.2 异构网络的表示学习模型 7
    第3章 基于图注意力机制的网络表示学习方法 9
    3.1 复杂网络的基本理论 9
    3.2 图注意力机制的基本理论 10
    3.3 基于标记注意力的网络表示学习方法 12
    3.3.1 基于标记注意力的网络表示学习模型 12
    3.3.2 实验分析 16
    3.4 基于邻域注意力的网络表示学习方法 24
    3.4.1 基于邻域注意力的网络表示学习模型 24
    3.4.2 实验分析 31
    第4章 基于联合注意力的网络表示学习方法 39
    4.1 符号定义 39
    4.2 基于联合注意力的网络表示学习模型 40
    4.2.1 相似网络构建模块 41
    4.2.2 基于联合注意力分数的特征加权聚合模块 42
    4.3 实验分析 44
    4.3.1 数据集及实验配置 44
    4.3.2 实验 45
    ·vi· 网络表示学习的理论与应用
    4.3.3 可视化 45
    4.3.4 对比实验 46
    4.3.5 超参数分析 47
    第5章 基于自编码器与双曲几何的网络表示学习方法 49
    5.1 属性网络的基础理论 49
    5.2 自编码器理论 50
    5.3 基于双路自编码器的网络表示学习方法 51
    5.3.1 双路自编码器的网络表示学习模型 51
    5.3.2 实验分析 57
    5.4 基于双曲几何的网络表示学习方法 65
    5.4.1 双曲几何的网络表示学习模型 66
    5.4.2 实验分析 71
    第6章 基于元路径和图卷积的异质网络表示学习方法 78
    6.1 异质网络的概念 78
    6.1.1 元路径 79
    6.1.2 基于元路径的子图 79
    6.1.3 基于元路径的相似性度量 80
    6.1.4 平均相似度量 82
    6.2 异质网络相关理论 83
    6.3 元路径与属性融合的异质信息网络表示学习方法 94
    6.3.1 元路径与属性融合的异质信息网络表示学习模型 94
    6.3.2 实验分析 99
    6.4 融合元路径和图卷积的异质信息网络表示学习方法 106
    6.4.1 融合元路径和图卷积的异质信息网络表示学习模型 106
    6.4.2 实验分析 110
    第7章 基于认知推理的网络表示学习方法 119
    7.1 胶囊网络 119
    7.2 认知推理 121
    7.3 卷积神经网络 123
    7.4 面向结构化数据分类任务的认知推理网络表示学习模型 123
    7.4.1 单路认知推理机制理论 123
    7.4.2 面向 ADMET 性质分类认知推理网络模型 126
    7.4.3 实验分析 132
    7.5 面向图数据任务的认知推理网络表示学习模型 142
    7.5.1 双路认知推理机制理论 143
    7.5.2 面向属性网络节点嵌入的认知推理网络模型 146
    7.5.3 实验分析 151
    第8章 基于社区发现的网络表示学习方法 160
    8.1 真实世界网络 160
    8.2 社区发现应用 162
    8.3 网络模型 164
    8.3.1 经典网络模型 164
    8.3.2 动态网络模型 167
    8.4 复杂网络注意力模型的社区发现方法 170
    8.4.1 注意力模型的社区发现模型 170
    8.4.2 实验分析 175
    8.5 自由能的动态网络社区发现方法 185
    8.5.1 自由能的动态网络社区发现模型 185
    8.5.2 实验分析 188
    8.5.3 模块化变分图自编码器的无监督社区发现方法 193
    8.5.4 实验分析 198
    参考文献 204
帮助中心
公司简介
联系我们
常见问题
新手上路
发票制度
积分说明
购物指南
配送方式
配送时间及费用
配送查询说明
配送范围
快递查询
售后服务
退换货说明
退换货流程
投诉或建议
版权声明
经营资质
营业执照
出版社经营许可证

中国科技出版传媒股份有限公司　版权所有

本平台为互联网非涉密平台，严禁处理、传输国家秘密。

　

京ICP备14028887号-5　 京ICP证150976号 京公网安备 11010102004214号

北京东黄城根北街16号 邮编：100717 Email:webmaster@mail.sciencep.com