网络表示学习技术与应用

本书对网络嵌入表示学习技术进行梳理和总结，介绍了表示学习的基础理论及其在网络对齐、电子健康记录挖掘、兴趣点推荐等应用方面的前沿技术。具体包括：单/多关系网络表示理论与技术、基于单关系表示的网络对齐、基于多关系表示学习的知识图谱对齐、基于表示学习的电子健康记录挖掘、兴趣点推荐。 本书可供计算机、软件工程、人工智能等专业的教师及相关领域的技术开发人员参考，也可作为相关专业的高年级本科生和研究生的辅助教材。

第1部分 网络表示学
第1章 绪论
1.1 引言
1.2 网络表示
1.3 本书的主要内容
第2部分 基础理论
第2章 单关系网络表示理论与技术
2.1 引言
2.2 经典模型
2.2.1 LINE模型
2.2.2 Deep Walk 模型
2.3 深度表示模型
2.3.1 SDNE模型
2.3.2 图神经网络
2.3.3 时间卷积网络
2.4 小结
第3章 多关系网络表示理论与技术
3.1 引言
3.2 经典模型
3.2 结构化嵌入模型
3.2.2 神经张量模型
3.2.3 TransFamily模型
3.2.4 高斯嵌入模型
3.2.5 复数嵌入模型
3.2.6 其他早期经典模型
3.3 深度模型
3.3.1 R-GCN模型.
3.3.2 CompGCN模型
3.3.3 RSN模型
3.3.4 GATNE模型
3.3.5 MNE模型
3.4 小结
第3部分 应用驱动的网络表示学习
第4章 基于单关系表示的网络对齐
4.1 引言
4.2 基于出入度表示的社交网络节点对齐
4.3 基于生成对抗模型的节点对齐
4.3.1 GANE针对链接预测任务的网络嵌入表示模型
4.3.2 DANA针对实体对齐任务的网络嵌入表示模型
4.4 小结
第5章 基于多关系表示的知识图谱对齐
5.1 引言
5.2 MNE
5.3 基于MNE的对齐
5.3 基于概率空间乘法规则的非翻译方法对齐模型
5.3.2 基于概率空间加法规则的非翻译方法对齐模型
5.3.3 算法模型的推导
5.4 基于关系向量化的图神经网络模型
5.4 目的与动机
5.4.2 模型设计
5.5 基于VR-GCN的知识图谱对齐
5.6 知识图谱对齐实验设计
5.6 知识图谱对齐
5.6.2 实体对齐
5.6.3 关系对齐
5.6.4 链接预测
5.7 基于关系卷积的注意力图神经网络模型
5.7 目的与动机
5.7.2 模型设计
5.7.3 实验设计
5.8 小结
第6章 基于表示学子健康记录挖掘
6.1 引言
6.2 基于知识的疾病预测模型
6.2.1 问题定义
6.2.2 模体框架
6.2.3 码嵌入式表示
6.2.4 时序诊疗信息嵌入式表示
6.2.5 疾病序列预测
6.2.6 实验设计
6.2.7 实验结果及分析
6.2.8 可解释性评估
6.3 融合时间卷积网络和通道注意力机制的预测模型
6.3.1 整体架构
6.3.2 时间卷积网络
6.3.3 面向领域的通道注意力机制
6.3.4 测试与评估
6.4 小结
第7章 兴趣点（POI)推荐
7.1 引言
7.2 基于隐模式挖掘的POI预测
7.2 隐模式
7.2.2 问题描述
7.2.3 基于隐模式挖掘的连续兴模型
7.2.4 融合隐模式级的用户偏好
7.2.5 实验分析
7.3 基于签到时间间隔模式的连续兴
7.3 引言
7.3.2 问题描述
7.3.3 基于签到时间间隔模式的连续兴模型
7.3.4 实验
7.4 基于深度表示的POI预测.
7.4 模型概述与符号定义
7.4.2 引入时间衰减因子的LSTM序列模型
7.4.3 兴趣点序列与时间属性序列处理
7.4.4 时空注意力
7.4.5 周期注意力
7.4.6 评分函数与损失函数
7.4.7 实验分析
7.5 小结
参考文献