《 网络嵌入：理论、方法和应用 》
- 机器学习
- 选题分类：计算机理论
- 原版语种：英语（可提供图书翻译服务）
- 出版日期：2021年03月
- 页数：242页
- 图书定价：（不详）
- 开本：190mm×234mm
- 浏览次数：377
- 字数：（不详）
- 作品星级：
- 内文印刷：单色
申请样书样章
您正在通过本网站在线提交出版评估申请。
若您的申请获得通过，您将可以在线对本作品的电子样书进行查看。
特别提示：
1、一旦提交本申请，则表示您承诺自愿通过成都锐拓传媒广告有限公司申请上述图书的中文版权，并承诺在申请日起18个月内，不会向任何第三方（包括但不限于图书作者、出版方及其他代理商等）申请或联系上述图书的中文简体版权。否则，我公司有权关闭您在本网站的使用权限，且不再与您进行任何业务合作，并有权要求您支付不低于人民币5000元/本的违约金，或将上述违约金直接从您的账户余额中予以扣除。
2、您通过本功能在线申请样书样章而支付的费用仅为样书样章在线查阅的费用，不代表我公司对上述图书的中文版权授权事宜向您作出任何承诺。除非发生我公司无法向您提交样书或样章的情况，否则无论最终是否与您达成中文版权的交易合作，该费用概不退还。
申请翻译样章
您正在通过本网站在线提交翻译样章申请。
若您的申请获得通过，您将可以在线对本作品的翻译样章进行查看。
特别提示：
1、一旦提交本申请，则表示您承诺自愿通过成都锐拓传媒广告有限公司申请上述图书的中文版权，并承诺在申请日起18个月内，不会向任何第三方（包括但不限于图书作者、出版方及其他代理商等）申请或联系上述图书的中文简体版权。否则，我公司有权关闭您在本网站的使用权限，且不再与您进行任何业务合作，并有权要求您支付不低于人民币5000元/本的违约金，或将上述违约金直接从您的账户余额中予以扣除。
2、您通过本功能在线申请样书样章而支付的费用仅为样书样章在线查阅的费用，不代表我公司对上述图书的中文版权授权事宜向您作出任何承诺。除非发生我公司无法向您提交样书或样章的情况，否则无论最终是否与您达成中文版权的交易合作，该费用概不退还。
已售版权
内容简介
这本书提供了对网络表示学习（Network Representation Learning，NRL）的基本概念、模型和应用的全面介绍。本书首先介绍了NE的背景和兴起，然后介绍了NE技术的发展，给出了几种具有代表性的一般图方法，以及基于矩阵分解的统一NE框架。然后，用额外的信息来表示NE的变体：网元表示带有节点属性/内容/标签的图形和具有不同特征的变体：社区结构的/大规模的/异构的图的NE。此外，该书还介绍了NE的不同应用，如推荐和信息扩散预测。最后，对研究方法和应用进行了总结，并对未来的研究方向进行了展望。
作者介绍
北京邮电大学计算机科学学院副教授。2014年获清华大学计算机科学学士学位，2019年获清华大学计算机科学博士学位。他的研究兴趣包括网络表示学习、社会计算和自然语言处理。在AAAI、ACL、ACM TOIS、IEEE TKDE等国际顶级会议和期刊上发表论文20余篇。
Zhiyuan Liu（清华大学）
清华大学计算机科学与技术系副教授。2006年获清华大学计算机科学与技术系学士学位，2011年获博士学位。主要研究方向为自然语言处理和社会计算。在IJCAI、AAAI、ACL、EMNLP等国际期刊和会议上发表论文60余篇，被谷歌Scholar收录1万余篇。
Cunchao Tu（清华大学）
清华大学计算机科学与技术系博士后。2013年、2018年分别获得清华大学计算机科学与技术系学士、博士学位。他的研究兴趣包括网络代表学习、社会计算和法律智能。在IEEE TKDE、AAAI、ACL、EMNLP等国际期刊和会议上发表论文20余篇。
Chuan Shi（北京邮电大学）
北京邮电大学计算机科学学院的教授。主要研究方向为数据挖掘、机器学习、大数据分析。他发表了100多篇论文，包括IEEE TKDE、ACM TIST、KDD、WWW、AAAI、IJCAI等数据挖掘领域的顶级期刊和会议。
Maosong Sun（清华大学）
清华大学计算机科学与技术系教授，人工智能研究所执行副院长。他的研究兴趣包括自然语言处理、互联网智能、机器学习、社会计算和计算教育。他于2020年当选为欧洲学术界的外国成员。据谷歌Scholar统计，他在顶级会议和期刊上发表了200多篇论文，被引用超过1.5万次。
图书目录
Network Embedding for General Graphs
Network Embedding for Graphs with Node Attributes
Revisiting Attributed Network Embedding: A GCN-Based Perspective
Network Embedding for Graphs with Node Contents
Network Embedding for Graphs with Node Labels
Network Embedding for Community-Structured Graphs
Network Embedding for Large-Scale Graphs
Network Embedding for Heterogeneous Graphs
Network Embedding for Social Relation Extraction
Network Embedding for Recommendation Systems on LBSNs
Network Embedding for Information Diffusion Prediction
Future Directions of Network Embedding
Bibliography
Authors' Biographies
请输入分享的Email地址：
