新書推薦：
《
新质生产力：发展新动能
》
售價：HK$
105.6
《
状态比能力更重要：108个状态调整法
》
售價：HK$
66.0
《
中国上市公司担保行为的影响因素及其效应研究
》
售價：HK$
43.2
《
企业级数据架构：核心要素、架构模型、数据管理与平台搭建 李杨
》
售價：HK$
118.8
《
政和元年：宋辽金夏的国运博弈与谍战风云
》
售價：HK$
81.6
《
黄金圈法则
》
售價：HK$
93.6
《
全球治理理论：权威、合法性与论争
》
售價：HK$
117.6
《
华尔街幽灵：一位股票投资大师的告白
》
售價：HK$
95.8
|
| 內容簡介： |
在信息智能技术的支撑下，大数据、云计算、物联网、人工智能等技术正成为当下社会最鲜明的时代特征，在这个时代中，人们争相利用网络数据提炼有效信息以催生服务价值。研究动态网络上的动态过程属于典型的交叉学科领域研究。本书主要从计算机科学角度介绍并讨论网络结构认知和演化动力学方面的研究成果，通过对经典的网络模型和其中的典型应用进行详细的讨论和解析分析，探索隐藏在其中的模式规律。
本书的核心内容就是面向复杂网络的结构和动态演化分析，结合网络数据信息，挖掘隐含的网络结构，分析结构和属性的表示学习，揭示网络的节点信息，从结构和攻击效果阐述网络的脆弱性，研究基于信息的网络阻断问题，揭示局部行为和全局特性之间的深层关联，让人们认识复杂自适应系统的演化机理，掌握复杂自适应系统的博弈手段。立足于不同层次上的认知能力，本书着重从偶对近似、群体选择和分布式学习三个方面出发，阐释复杂自适应系统上的演化、博弈和协同。
|
| 目錄：
|
目录
第 1 章 绪论 1
1.1 网络视角下的现实世界 2
1.1.1 随机网络 2
1.1.2 小世界网络 3
1.1.3 无标度网络 4
1.2 网络结构与性能分析 5
1.2.1 网络结构重构问题 5
1.2.2 网络特征表示学习问题 6
1.2.3 网络结构的脆弱性 6
1.3 网络的动态性 7
1.3.1 网络中的动态过程 7
1.3.2 网络中的信息阻断 9
1.3.3 网络演化过程分析 11
1.4 本书组织结构 13
参考文献 14
第 2 章 网络中的结构重构方法 19
2.1 部分结构已知条件下的重构方法 19
2.1.1 基于节点相似性的链路预测模型 20
2.1.2 基于 GCN 的链路预测模型 21
2.1.3 基于微分图方程组的动态结构预测22
2.2 基于动态时序数据的结构重构方法 24
2.2.1 时序数据网络重构概念 24
2.2.2 时序数据网络重构常用方法 25
2.3 应用：基于离散信息的网络拓扑还原方法 27
2.3.1 网络重构算法 27
2.3.2 子图重构 30
2.3.3 子图叠加 30
2.3.4 网络重构实验分析 31
2.4 本章小结 38
参考文献 38
第 3 章 网络结构与属性的表示学习方法 42
3.1 网络表示学习问题 42
3.1.1 网络表示学习的定义 42
3.1.2 网络表示学习的方法 43
3.2 网络结构信息的表示学习方法 45
3.2.1 基于随机游走的表示学习 45
3.2.2 基于矩阵分解的表示学习 48
3.2.3 基于深度学习的表示学习 52
3.3 网络属性信息的表示学习方法 54
3.3.1 结合文本信息的网络表示学习 54
3.3.2 半监督的网络表示学习 57
3.3.3 结合边上标签信息的网络表示学习 61
3.4 异构网络的表示学习方法 64
3.4.1 基于元路径的异构网络表示学习 64
3.4.2 基于最优化的异构网络表示学习 68
3.4.3 属性多重异构网络表示学习 69
3.5 应用：电影网络中的表示学习 72
3.5.1 数据集情况 72
3.5.2 数据预处理及构建电影网络 73
3.5.3 基于 Node2Vec 的节点表示学习 74
3.5.4 基于结构与属性的节点表示学习 75
3.6 本章小结 75
参考文献 76
第 4 章 网络结构的脆弱性分析 79
4.1 网络结构脆弱性问题 79
4.1.1 基于网络结构特征的脆弱节点识别 80
4.1.2 基于邻接信息熵的关键点识别算法 81
4.1.3 基于误差重构的节点价值分析模型 85
4.2 相互依存网络中的级联失效性分析 90
4.2.1 相互依存网络中的级联失效问题 91
4.2.2 基于相继故障渗流模型的网络脆弱性分析 95
4.2.3 基于马尔可夫模型的网络脆弱性分析 97
4.3 应用：公用网络中的关键节点识别 108
4.3.1 基于邻接信息熵的关键点识别 108
4.3.2 基于误差重构的关键节点识别 113
4.4 本章小结 118
参考文献 118
第 5 章 网络中的信息传播 123
5.1 背景介绍 124
5.1.1 传播动力学 124
5.1.2 群体动力学 132
5.1.3 自适应选举者模型 137
5.1.4 自适应群体博弈模型 143
5.1.5 自适应系统协同模型 149
5.2 自适应信息传播模型 155
5.2.1 理论分析 156
5.2.2 偶对近似 159
5.2.3 高阶变量 160
5.2.4 从归一到分裂 162
5.3 基于距离的结构重连 166
5.3.1 rewire-to-foaf 策略 166
5.3.2 近似微分方程 167
5.3.3 案例分析 169
5.4 基于近似多数模型的动态过程 173
5.4.1 近似多数模型 173
5.4.2 近似微分方程 174
5.4.3 案例分析 177
5.5 基于加权状态演化的信息传播 179
5.5.1 加权状态演化 180
5.5.2 近似微分方程 181
5.5.3 案例分析 182
5.6 应用：选举者网络的演化与近似 185
5.6.1 从偶对近似到交接近似 186
5.6.2 从近似主方程到双星近似 190
5.7 本章小结 200
参考文献 200
第 6 章 网络中的信息阻断 210
6.1 网络阻断问题 210
6.1.1 网络阻断的应用背景 211
6.1.2 网络阻断的基础模型 212
6.1.3 网络阻断的变种类别 216
6.2 依赖网络中的网络阻断 218
6.2.1 依赖网络及其阻断问题的应用背景 219
6.2.2 依赖网络中的依赖关系模型 219
6.2.3 包含依赖关系的流阻断模型 220
6.2.4 逻辑–物理双层网络最短路阻断 223
6.3 动态对抗条件下的阻断 226
6.3.1 网络阻断的动态假设 227
6.3.2 动态多重网络最短路阻断模型框架 227
6.3.3 网间反馈关系建模 230
6.3.4 动态网络阻断模型 235
6.3.5 动态网络阻断模型实验验证 237
6.4 应用：动态双层网络最短路阻断实验 239
6.4.1 动态双层网络实验数据 239
6.4.2 实验分析 240
6.5 本章小结 244
参考文献 244
第 7 章 网络中的群体演化 246
7.1 背景介绍 247
7.2 演化群体模型 249
7.2.1 无博弈演化 251
7.2.2 长期连续演化过程 254
7.2.3 合作群体的衰退 254
7.3 扰动作用下的合作群体瓦解 259
7.3.1 扰动实验 259
7.3.2 合作的韧性 261
7.3.3 扰动规模的影响 264
7.3.4 嵌入系数 p 的影响 266
7.4 应用：合作群体瓦解预测 267
7.4.1 预警信号挖掘 267
7.4.2 预警信号的动态模式 269
7.4.3 基于 Kendall 相关系数的一致性分析 272
7.4.4 预警信号的准确性分析 277
7.5 本章小结 281
参考文献 282
第 8 章 网络中的智能协同 285
8.1 背景介绍 286
8.2 智能体网络任务分组 288
8.2.1 研究动机 288
8.2.2 模型定义 290
8.2.3 劳动力分工 292
8.3 基于分布式学习的自适应动态性 293
8.3.1 节点角色演化 293
8.3.2 风险规避学习 295
8.3.3 网络结构调整 297
8.3.4 图转移的完备性 300
8.3.5 算法流程 303
8.4 自适应协同理论分析 304
8.4.1 学习率的影响 306
8.4.2 任务规模越大，资源浪费率越小 307
8.4.3 功能集合越大，任务成功率越小 308
8.5 应用：分布式任务分组中自适应协同 309
8.5.1 基准实验 310
8.5.2 功能服务集合的扩大 314
8.5.3 任务规模的增长 314
8.5.4 动态任务下的动态分组 317
8.6 本章小结 318
参考文献 319
|
| 內容試閱：
|
前言
在信息智能技术的支撑下，人们构造了一个又一个复杂而精妙的网络，我们开始步入“万物互联”时代。认识万物，首先需认识网络；改造世界，首先需改变节点。从孩提时代的哥尼斯堡七桥问题，到中学课本中的蛋白质分子结构，从微博、微信，到物流、网购，我们的生活被无数张大大小小的网络交织贯穿。从自然界中物种群体的优胜劣汰，到人类社会个体之间的交互学习，从现实世界新闻信息的传播扩散，到赛博空间智能系统的协同博弈，从自然到社会，从现实到虚拟，无不勾勒了纵横交互、错综复杂的网络形态，这些网络有天然的，有人造的，有摸得着看得见的，也有无声无息但却紧密附着的。
大数据、云计算、物联网、人工智能等技术正成为当前社会最鲜明的时代特征，从国家层面到地方政府，从科研院所到工业部门，人们都在争相利用基于网络数据的智能技术，提炼有益信息，催生服务价值。随着数据日益积累、设备持续增加、信息飞速流通，以互联网和物联网为依托的网络信息技术正潜移默化改变着人们的生产生活，人类正在迈向万物互联、万事可算的时代。通过对形形色色的网络进行建模和动力学分析，人们能够挖掘网络深层特征，开展网络演化预测，分析网络脆弱环节，控制网络智能协同。例如，深入研究社交网络影响力的产生模式和信息的传播模式，有助于精确预测舆论的走向以及趋势，为政府和机构提供决策依据和建议；深入研究人群接触网络和传染病机理，能够帮助卫生健康部门制定防控策略，防止疾病蔓延；深入研究消费者的购买模式和行为习惯，能够帮助公司企业制定产品推广策略和精准广告定位，促进产品营销。
众所周知，研究动态网络上的动态过程属于典型的交叉学科领域研究内容，涉及数学、复杂网络、统计物理、计算机科学、管理科学等诸多方面。本书主要从计算机科学的角度，介绍并讨论网络结构认知和演化动力学方面的研究成果。本书立足网络模型和典型运用，在力求严谨表述模型和算法的同时，飨以读者生动的示例、直观的见解和有益的启发。由于水平有限，而涉及的领域广泛且不断更新拓展，作者只选取了一些主要内容加以详细讨论，通过解析分析和数值计算探索隐藏在其中的模式规律。
本书的组织结构如下。第1章介绍了典型的网络演化模型和动态过程，为读者抽象概括本书所要传达的主旨思想。第2章介绍了网络中的结构重构方法，探索如何在信息缺失的条件下还原网络结构。第3章介绍了网络结构和属性的表示学习方法，用以挖掘网络深层特征。第4章介绍了网络的脆弱性方面的内容，探讨了网络关键节点的识别方法。第5章和第6章分别从网络信息的传播和阻断两个角度出发，构建模型阐释促进和抑制影响力扩散的手段和因素。第7章介绍了网络中的群体演化，讨论了动态网络结构对网络群体组成的影响。第8章就多智能体任务协同问题，探讨了无人网络系统如何通过自适应学习实现群体智能。
本书面向的读者包括复杂系统、网络科学和数据科学领域的本科生、研究生，以及对该领域感兴趣的研究学者，希望这些读者通过本书能够对网络结构认知和演化动力学有较为深入的了解，并从中汲取有价值的研究方向。此外，本书还可以作为数据工程师、算法工程师、网络分析师等业界实践者解决自身实际问题的参考，从中发掘使理论与实际有机结合的可能。本书包括了作者和众多学者的研究成果，在此对杨国利、朱承、张维明三位合作者表示由衷的感谢，对参与本书资料整理、指导修改的肖开明博士、徐翔博士以及研究生郭园园、朱梦婷、戴周璇、严经文表示感谢。由于作者水平有限，书中错误在所难免，敬请各位读者批评指正。我们希望随着越来越多研究的深入开展，人们对网络结构和演化动力学方面的认知越来越广泛，进而诞生出更多对社会有价值的实践和应用。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
