異構信息網(wǎng)絡挖掘：原理和方法

叢書前言
譯者序
摘要和關鍵詞
第1章引言
11異構信息網(wǎng)絡是什么
12為什么異構網(wǎng)絡挖掘是一項新的挑戰(zhàn)
13本書的內(nèi)容組織
第一部分基于排名的聚類和分類
第2章基于排名的聚類
21概述
22RankClus算法
221排名函數(shù)
222從條件排名分布到新的聚類度量
223聚類中心和距離測量
224RankClus算法總結
225實驗結果
23NetClus算法
231排名函數(shù)
232NetClus算法框架
233網(wǎng)絡聚類中目標對象生成模型
234目標對象和屬性對象的后驗概率
235實驗結果
第3章異構信息網(wǎng)絡的分類
31概述
32GNetMine
321分類問題定義
322基于圖的正則化框架
33RankClass
331RankClass框架
332基于圖的排名
333調(diào)整網(wǎng)絡
334后驗概率計算
34實驗結果
341數(shù)據(jù)集
342準確性研究
343案例研究
第二部分基于元路徑的相似性搜索和挖掘
第4章基于元路徑的相似性搜索
41概述
42PathSim：基于元路徑的相似性度量
421網(wǎng)絡模式和元路徑
422基于元路徑的相似性框架
423PathSim：全新的相似性度量
43單一元路徑的在線查詢處理
431單一元路徑的連接
432基準算法
433基于共同聚類的剪枝
44多重元路徑的組合
45實驗結果
451有效性
452效率對比
453Flickr網(wǎng)絡的案例研究
第5章基于元路徑的關系預測
51概述
52基于元路徑的關系預測框架
521基于元路徑的拓撲特征空間
522監(jiān)督式關系預測框架
53合著關系預測
531合著關系預測模型
532實驗結果
54帶時間的關系預測
541面向作者引用關系預測的基于元路徑的拓撲特征
542關系建立時間預測模型
543實驗結果
第三部分關系強度感知挖掘
第6章不完全屬性的關系強度感知聚類
61概述
62關系強度感知聚類的問題定義
63聚類框架
631模型綜述
632屬性生成建模
633結構一致性建模
634統(tǒng)一模型
64聚類算法
641聚類優(yōu)化
642鏈接類型強度學習
643整合：GenClus算法
65實驗結果
651數(shù)據(jù)集
652有效性研究
第7章通過元路徑選擇的用戶引導聚類
71概述
72用戶引導聚類的元路徑選擇問題
721元路徑選擇問題
722用戶引導的聚類
723問題定義
73概率模型
731關系生成建模
732用戶引導建模
733對元路徑選擇的質(zhì)量權重建模
734統(tǒng)一模型
74學習算法
741給定元路徑權重優(yōu)化聚類結果
742給定聚類結果優(yōu)化元路徑權重
743PathSelClus算法
75實驗結果
751數(shù)據(jù)集
752有效性研究
753元路徑權重的案例研究
76討論
第8章研究前沿
參考文獻