矩阵分解学习及其网络社区发现方法

　　在网络科学的社区发现应用中，由于所有的网络结构均可以通过关系图来表示，而图的主要结构表征即为其邻接矩阵；因此应用矩阵分解学习相关方法，能有效将整个社区网络中节点聚合到不同社区中，可以得到很好的应用效果。本书将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，介绍不同矩阵分解算法，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。本书以理论、方法和案例结合；从学术脉络，逐步展开问题，从应用角度，逐步解决问题。本书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。

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 vo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
4．2．1 目标函数设计
4．2．2 对应算法
4．2．3 计算复杂度分析
4．3 PCSNMF在社会网络中的实验与分析
4．3．1 主要数据集介绍
4．3．2 主要评价指标
4．3．3 验证确定社区数量
4．3．4 方法结果比较
4．4 本章小结
……
5 基于贝叶斯矩阵分解的社区发现方法
6 矩阵分解学习社区发现应用研究
7 总结及展望
参考文献
索引