网络科学与工程丛书：链路预测 [Link Prediction] pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

吕琳媛，周涛 著

图书标签:

• 网络科学
• 链路预测
• 图论
• 机器学习
• 数据挖掘
• 社交网络
• 复杂网络
• 推荐系统
• 网络分析
• 信息科学

出版社： 高等教育出版社

ISBN：9787040382327

版次：1

商品编码：11318821

包装：平装

外文名称：Link Prediction

开本：16开

出版时间：2013-08-01

用纸：胶版纸

页数：326

字数：340000

正文语种：中文

内容简介

　　链路预测是网络信息挖掘中最基础最本质的问题，通过对已经观察到的网络结构和其他外部信息的分析，挖掘缺失的连接和预测未来可能出现的连接。链路预测算法综合运用了相似性分析、网络动力学、贝叶斯模型、机器学习、模体分析、最大似然分析等多学科方法和技术，在生物网络分析、朋友及关注对象推荐、个性化推荐、网络演化模型评价、标签分类、网络重构等问题上有着广泛的应用。《网络科学与工程丛书：链路预测》不仅系统介绍了链路预测问题描述、评价指标和针对不同网络类型的各类代表性算法，还在其中讨论了许多网络科学研究本质性的问题。
　　链路预测问题清晰、内涵丰富、入门容易、具有挑战性，可以反映不同类型网络结构和功能方面形形色色的特征，特别适合作为网络科学与工程研究的题目。《网络科学与工程丛书：链路预测》可供自然科学、工程技术科学以及社会科学领域的研究人员与广大在校生参考使用。

作者简介

　　吕琳媛，2008年获北京师范大学理学硕士学位，2012年获瑞士弗里堡大学物理系博士学位。现任杭州师范大学特聘教授、中欧联合实验室副主任兼执行主任、链路预测实验室负责人。目前主要从事复杂性科学领域的研究工作，利用统计物理学的概念、理论、方法来解决信息领域中的若干重要问题。近3年发表关于链路预测的论文30余篇，引用700余次。
　　
　　周涛，获瑞士弗里堡大学物理系博士学位。现任电子科技大学互联网科学中心主任、教授、博士生导师。发表论文200余篇，论文SCI引用3000余次，Google引用6500余次。获第五届中国青少年科技创新奖、第十二届中国青年科技奖，入选首批青年拔尖人才支持计划、四川省百人计划和教育部新世纪优秀人才计划，获首批国家优秀青年科技基金支持。

内页插图

目录

第一章 复杂网络基本概论
1.1 什么是网络
1.1.1 社会网络
1.1.2 技术网络
1.1.3 生物网络
1.2 如何刻画网络
1.2.1 平均距离与小世界效应
1.2.2 度分布与无标度特性
1.2.3 局部结构
1.2.4 节点与链路的中心性
1.2.5 群落结构
1.2.6 关联性
1.2.7 熵
1.2.8 其他网络特征概览
1.3 最基本的网络模型
1.3.1 规则网络
1.3.2 随机网络
1.3.3 小世界网络
1.3.4 无标度网络
1.4 小结

第二章 链路预测的基本概念
2.1 背景和意义
2.2 问题描述
2.3 数据集划分
2.3.1 随机抽样
2.3.2 逐项遍历
2.3.3 k-折叠交叉检验
2.3.4 滚雪球抽样
2.3.5 熟识者抽样
2.3.6 随机游走抽样
2.3.7 基于路径抽样
2.4 评价指标
2.4.1 AUC
2.4.2 精确度
2.4.3 排序分

第三章 基于相似性的链路预测
3.1 基于局部信息的相似性指标
3.1.1 基于共同邻居的相似性指标
3.1.2 偏好连接相似性
3.1.3 局部朴素贝叶斯模型
3.2 基于路径的相似性指标
3.2.1 局部路径指标
3.2.2 Katz指标
3.2.3 LHN-II指标
3.3 基于随机游走的相似性指标
3.3.1 全局随机游走
3.3.2 局部随机游走
3.4 其他相似性算法
……
第四章 基于似然分析的链路预测
第五章 加权网络的链路预测
第六章 有向网络的链路预测
第七章 二部分网络的链路预测
第八章 链路预测的应用
第九章 结束语

精彩书摘

　　直接注释方法将根据网络中某个蛋白质的连接情况直接推测该蛋白质的功能。这类方法基于的假设是：在蛋白质相互作用网络中，距离相近的两个蛋白质更加倾向于拥有相似的功能。链路预测中基于节点相似性的方法实际上为我们提供了一系列计算节点距离的方式，可以认为相似性大的节点距离更近，因此倾向于具有相似的功能。此外，当已知标签稀疏，即只知道少量蛋白质的功能时，可以通过链路预测的方式挖掘未标签蛋白质与已标签蛋白质之间的潜在联系，从而提高功能预测的精度。
　　基于模块的方法的思路是：首先将网络相关的蛋白质组成不同的模块，然后根据该模块中已知的蛋白质的功能来得到整个模块所共有的可能功能，最后再来预测其中未知成员的功能。一个功能模块指其中的蛋白质所处的细胞位置以及相互作用使得它们可以实现一个特定的功能。而基于功能模块的蛋白质功能标注方法主要目的不再是预测单个蛋白质的功能，而是试图发现模块中所有蛋白质的共同内在的功能。一旦模块确定，可以通过一些简单的方法来预测其功能，比如该模块中如果大部分的蛋白质都具有某种功能，那么这种功能就将赋予该模块。本质上这种模块的划分与复杂网络的社团结构划分有很大的相似之处，而链路预测的方法可以帮助提高社团划分的准确性——基于节点相似性的方法本身也是社团划分的一类主要方法。
　　其他一些相关的问题包括：
　　（1）探测蛋白复合体。蛋白复合体由几个蛋白质组成，在蛋白质作用网中表现为紧密的小子图。因此，通常的图聚类、派系挖掘、图分解等方法，都可以用来寻找蛋白复合体。同样，通过预测来完整化蛋白质作用网，可以帮助寻找蛋白质复合体。
　　（2）网络可靠性评估。前面提到测定蛋白质相互作用的实验成本很高，因此可以通过链路预测的方法提前给出一些可靠性较高的链接关系作为实验对象，与此同时也可以排除一些可靠性较低的链接关系。另一方面，由于实验中的随机性因素和噪声的干扰，使得实验结果有可能是不可靠的。这时，链路预测中对于虚假边的识别方法可以帮助我们找出这些不可靠的结果，从而对实验结果进行有效的修正。
　　……

《网络科学与工程丛书：链路预测》 图书简介 在信息爆炸、互联互通日益紧密的今天，网络无处不在，深刻地改变着我们的生产、生活乃至思维方式。从社交网络中的人际关系，到生物体内的基因相互作用，再到互联网上的信息流动，网络的结构和演化规律揭示着众多复杂系统的本质。《网络科学与工程丛书》旨在系统地梳理和深入探讨网络科学的前沿理论与工程应用，为研究者、工程师以及对网络世界充满好奇的学习者提供一份全面而权威的参考。本丛书第三卷，《链路预测 (Link Prediction)》，聚焦于一个在网络科学领域具有里程碑意义且应用广泛的关键问题——链路预测。 链路预测，顾名思义，是在已知网络结构的基础上，预测未来可能形成或尚未显现的连接（链路）的问题。这一看似简单的任务，实则蕴含着深刻的网络动力学原理和丰富的数据挖掘智慧。在现实世界中，网络的连接并非一成不变，而是动态演化的。新的用户加入社交平台，可能会与现有用户建立好友关系；新的研究人员发表论文，可能会引用前人的工作，形成新的学术合作；新的商品在电商平台上线，可能会与现有商品形成搭配或互补关系。识别这些潜在的连接，不仅能够帮助我们理解网络的演化机制，更能在诸多领域催生出革新性的应用。 链路预测的理论基石与方法论演进 本书《链路预测》并非零散地罗列各种预测算法，而是将链路预测置于网络科学的宏大框架下，从理论的源头追溯其发展脉络，深入剖析其方法论的演进。 首先，本书将系统性地介绍网络结构的基本概念与度量。理解网络的度分布、聚集系数、路径长度、中心性度量（如度中心性、介数中心性、特征向量中心性等）是进行链路预测的基础。这些指标揭示了网络节点的重要程度和在信息传播中的角色，为预测链路的形成提供了重要的线索。例如，具有高中心性的节点更有可能与其他节点形成连接。 接着，本书将深入探讨基于相似度的链路预测方法。这是链路预测领域最早也是最直观的一类方法。其核心思想是：如果两个节点在网络结构上具有较高的相似性，那么它们之间未来形成连接的可能性就越大。本书将详细介绍多种经典的相似度度量指标，例如： 共同邻居 (Common Neighbors)：衡量两个节点拥有共同邻居的数量。邻居越多，相似度越高。 Jaccard系数 (Jaccard Coefficient)：将共同邻居的数量除以两个节点邻居集合的并集大小，能够消除节点度数的影响，更公平地衡量相似性。 Adamic-Adar指数 (Adamic-Adar Index)：对共同邻居进行加权，认为度数较低的共同邻居对预测的贡献更大，因为这表明共享的邻居对两个节点而言更为“稀有”和“特别”。 Preferential Attachment (PA)：虽然PA更多地被看作是网络演化的一个重要机制，但其思想也常被用于链路预测。即度数越高的节点越容易吸引新的连接。 本书将不仅仅停留在公式的介绍，而是会深入分析这些相似度度量方法的理论依据、适用场景以及局限性。例如，对于社群结构明显、节点度数分布差异显著的网络，某些相似度指标可能表现更优。 随后，本书将重点介绍基于图嵌入 (Graph Embedding) 的链路预测方法。随着深度学习技术的飞速发展，将图结构信息编码到低维向量空间（图嵌入）成为研究热点，并极大地推动了链路预测的性能提升。本书将系统介绍主流的图嵌入方法，并阐述它们如何应用于链路预测： 基于随机游走的方法：如DeepWalk、Node2Vec等。这些方法通过模拟节点在图上的随机游走过程，学习节点的上下文信息，并将这些信息编码为节点表示。然后，通过计算节点表示的相似度来预测链路。 基于图神经网络 (GNN) 的方法：GNN能够直接在图结构上进行信息传播和聚合，学习到更丰富的节点局部和全局特征。本书将详细介绍不同类型的GNN架构（如GCN, GAT, GraphSAGE等）及其在链路预测任务中的应用。GNN能够有效地捕捉节点的结构性信息和特征信息，从而更准确地预测链路。 如何利用GNN的节点表示进行链路预测：通常，通过将两个节点的嵌入向量进行拼接、点积、或者通过一个多层感知机 (MLP) 进行联合处理，然后输出一个预测概率。 本书将深入探讨不同GNN模型在捕捉网络结构信息方面的优势与劣势，并分析如何根据具体的网络特性选择合适的GNN模型。 此外，本书还将涵盖考虑网络演化动力学的链路预测方法。现实网络并非静态的，其连接会随着时间推移而变化。本书将探讨如何将时间信息融入链路预测模型，例如： 时序相似度度量：考虑节点在历史上的连接模式和活动频率。 基于序列的预测模型：利用RNN、LSTM等时序模型来预测节点序列的连接。 动态图神经网络：设计能够适应网络动态变化的GNN模型。 链路预测的应用场景与挑战 《链路预测》一书的价值不仅在于理论方法，更在于其广泛的实际应用。本书将详细剖析链路预测在以下关键领域的应用： 社交网络分析： 好友推荐：在社交平台中，向用户推荐可能认识的朋友，增强用户粘性。 社群发现：预测一组用户之间形成紧密连接的可能性，从而发现潜在的社群。 信息传播预测：预测病毒式传播的路径和范围，辅助舆情监控和内容推送。 推荐系统： 商品推荐：在电商平台中，根据用户购买历史和商品之间的关联，预测用户可能感兴趣的商品。 内容推荐：在新闻、音乐、视频等平台中，根据用户偏好和内容关联，推荐用户喜欢的内容。 知识图谱补全：在知识图谱中，预测实体之间的缺失关系，完善知识体系。 生物信息学： 蛋白质-蛋白质互作预测：预测哪些蛋白质之间可能发生相互作用，辅助药物研发和疾病机理研究。 基因调控网络预测：预测基因之间的调控关系，理解基因表达的复杂机制。 药物-靶点相互作用预测：预测潜在的药物能够作用于哪些生物靶点。 交通与物流： 路网连接预测：预测新道路或航线的开通可能性。 货物运输路径优化：预测物流网络中的潜在瓶颈和高效路径。 其他领域：如金融网络中的欺诈检测、交通信号灯的协同控制、互联网基础设施的可靠性预测等。 本书将通过真实的案例研究，展示链路预测在这些领域的具体落地过程，以及其带来的实际价值。 然而，链路预测也面临着诸多挑战。本书将深刻探讨这些挑战，并为读者提供应对思路： 数据稀疏性：很多网络，特别是大型网络，往往是高度稀疏的，这使得准确预测变得困难。 冷启动问题：对于新出现的节点或链路，缺乏历史数据，预测的难度极大。 网络异质性：网络中的节点和链路类型可能多种多样，一个通用的模型可能难以适应所有情况。 动态性与实时性：网络不断变化，预测模型需要具备一定的实时性，以跟上网络演化的步伐。 可解释性：虽然深度学习模型在预测精度上表现出色，但其“黑箱”特性使得解释预测结果的依据变得困难，这在一些需要高度信任的应用场景中是不可接受的。 计算效率：处理大规模网络时，许多链路预测算法的计算复杂度很高，需要高效的算法和硬件支持。 学习本书的收益 《网络科学与工程丛书：链路预测》不仅是一本理论著作，更是一份实践指南。通过阅读本书，您将能够： 建立扎实的理论基础：系统掌握网络科学中与链路预测相关的核心概念和数学工具。 深入理解主流方法：清晰地认识从经典相似度算法到前沿图神经网络算法的演进逻辑和技术细节。 掌握实践技巧：学习如何选择、实现和评估不同的链路预测模型，并了解各种方法的优缺点。 洞察前沿应用：全面了解链路预测在各个重要领域的实际应用，激发创新灵感。 识别并应对挑战：理解链路预测研究中面临的难题，并为未来的研究方向提供思考。 本书适合各类读者，包括： 网络科学、计算机科学、数据科学、统计学等相关领域的本科生、研究生和研究人员。 在社交网络、推荐系统、生物信息学、金融科技等领域工作的工程师和数据科学家。 任何对理解复杂网络、预测未来连接模式感兴趣的读者。 展望 链路预测作为网络科学的核心问题之一，其研究仍在不断深入和拓展。本书不仅回顾了过去，更展望了未来。随着图神经网络技术的不断成熟、异构网络与动态网络研究的深入，以及跨学科方法的融合，链路预测的准确性和应用范围将得到进一步的提升。我们相信，《链路预测》一书将成为读者在该领域进行深入研究和实践的宝贵财富，为推动网络科学与工程的发展贡献一份力量。

评分☆☆☆☆☆

这本书是一次真正的智识冒险，我被作者对网络科学的深刻理解和对链路预测这一复杂议题的精准把握深深震撼。它所呈现的不仅仅是技术性的细节，更是一种对系统本质的洞察。我过去认为链路预测只是一个孤立的技术问题，但这本书让我认识到，它实际上是理解和塑造我们所处网络化世界的核心能力之一。作者在介绍不同预测方法的优劣势时，运用了 an impressive array of analytical tools and perspectives，使得读者能够全面地审视各种技术的适用性和局限性。我尤其欣赏书中对于“节点特征”、“网络结构”以及“演化动力学”等关键因素如何协同作用的深入剖析，这为我理解复杂网络的内在规律提供了 an invaluable framework。阅读过程中，我多次感受到一种“智识上的愉悦”，仿佛是在解开一个又一个精妙的谜题。这本书无疑将成为我研究网络科学领域时一本不可或缺的参考书，它所提供的深度和广度，是市面上其他同类书籍难以比拟的。

评分☆☆☆☆☆

一本令人惊叹的书，它以一种我从未想象过的方式打开了我的视野。我之前对“链路预测”这个概念知之甚少，更不用说它在网络科学与工程领域的潜在应用了。然而，当我翻开这本书时，我立刻被其深度和广度所吸引。作者似乎拥有 an uncanny ability to distill complex ideas into digestible and engaging narratives. I found myself spending hours engrossed in the intricacies of various algorithms and their real-world implications. The way the book connects theoretical concepts with practical examples is truly remarkable. It's not just about understanding the "what" but also the "why" and "how." The illustrations and diagrams are exceptionally clear, serving as invaluable visual aids that enhance comprehension. I particularly appreciated the discussions on the ethical considerations and potential biases inherent in predictive models, a topic that is often overlooked but crucial for responsible development. This book has fundamentally changed how I perceive the interconnectedness of systems and the power of data-driven insights. It's a testament to the author's expertise and passion for the subject, making it an essential read for anyone interested in the future of networks and intelligent systems. The sheer volume of information presented is impressive, yet it never feels overwhelming, thanks to the logical flow and well-structured chapters.

评分☆☆☆☆☆

坦白说，起初我对这本书的期望值并没有太高，毕竟“链路预测”听起来像是一个相当专业且晦涩的领域。然而，事实证明，我的这种担忧完全是多余的。这本书以一种出人意料的生动和易懂的方式，向我展示了链路预测的魅力。作者的文字仿佛带着一种魔力，能够将那些抽象的概念变得具象化，让我这个非专业人士也能津津有味地读下去。书中对各种算法的讲解，不是那种枯燥的公式堆砌，而是充满了逻辑的连贯性和思想的启发性。我特别喜欢它探讨的关于“信息传播”和“影响力扩散”的部分，这些内容让我对网络中的动态变化有了更深刻的理解。此外，书中对评估链路预测模型性能的各种指标的详细介绍，也让我对如何科学地衡量一个模型的优劣有了清晰的认识。我甚至在阅读过程中，时不时地会停下来，思考书中提出的观点，并尝试将其与我自己的工作和生活联系起来。这种互动式的阅读体验，是很多技术书籍所难以提供的。它不仅仅是一本知识的载体，更像是一位耐心的老师，引导我一步步地探索未知的领域。

评分☆☆☆☆☆

这本书的问世，简直是为我这个网络领域的新晋探索者量身打造的！我一直觉得，在我们构建和理解日益复杂的网络时，总感觉缺少了一块关键的拼图，而这本书恰好填补了这一空白。它不仅仅是在介绍“链路预测”这个技术，更是在揭示如何通过分析现有的连接模式，去预见未来的可能性。书中对各种预测模型的讲解，就像是在为我打开一个全新的思维工具箱，里面装满了各种精巧的算法和策略。我印象最深的是，作者并没有止步于理论的陈述，而是通过大量真实案例，生动地展示了这些预测技术是如何在社交网络、交通系统、甚至生物网络中发挥作用的。读这本书的时候，我常常会产生一种“豁然开朗”的感觉，仿佛之前困扰我的许多问题，都在这里找到了清晰的解答。而且，作者在处理一些前沿的技术问题时，也展现出了 an admirable level of insight and foresight. I was particularly struck by the chapters that delved into the challenges of scalability and dynamic networks, areas where practical implementation often encounters significant hurdles. The book’s approach is both rigorous and accessible, a difficult balance to strike, and the author has managed it with aplomb.

评分☆☆☆☆☆

当我第一次看到这本书的名字时，我承认我有些犹豫，因为“链路预测”这个词汇听起来似乎离我的日常工作有些遥远。然而，出于对作者学术声誉的信任，我还是决定一探究竟。令我惊喜的是，这本书以一种非常引人入胜的方式，将一个看似专业的主题变得异常生动和有趣。作者似乎拥有 an extraordinary talent for simplifying complex mathematical models and algorithms, presenting them in a way that is both accessible and intellectually stimulating. I found myself captivated by the discussions on how to identify potential connections in large-scale networks, and the implications of such predictions across various domains. The book’s structure is masterfully crafted, guiding the reader through a logical progression of ideas, from fundamental concepts to advanced applications. I particularly appreciated the comprehensive bibliography and the suggestions for further reading, which demonstrate the author’s commitment to providing a complete and enriching learning experience. This book has not only expanded my knowledge base but has also ignited a passion for exploring the intricate world of network science and its ever-evolving landscape.

评分☆☆☆☆☆

书是好书，基础+进阶+实现，很不错。相信网络科学的学者， 无论做不做链路预测，都能受到启发。

评分☆☆☆☆☆

东西不错，速度快，好评！

评分☆☆☆☆☆

书籍质量很好，买好读读，了解相关知识点

评分☆☆☆☆☆

专业书籍，挺好

评分☆☆☆☆☆

书是好书，就是太贵了，还需要自己好好消化

评分☆☆☆☆☆

这套书还不错。

评分☆☆☆☆☆

这个不错，方便快捷

评分☆☆☆☆☆

很好很新的书，认识作者，写的非常好

评分☆☆☆☆☆

发货速度快，喜欢网络的可以看这本书，写的挺好的