复杂网络建模与行为分析

　　第1章 复杂网络概述
　　11.1 复杂网络基本理论概述
　　11.1.1 复杂网络基本定义
　　11.1.2 复杂网络统计特性
　　21.1.3 拓扑结构属性
　　41.2复杂网络模型
　　51.2.1规则网络
　　51.2.2随机网络
　　61.2.3小世界网络
　　71.2.4无标度网络
　　81.3 本章小结
　　12参考文献：
　　第2章 基于网络结构的复杂网络影响力节点识别方法
　　152.1 相关研究工作
　　152.1.1 社区划分
　　152.1.2 优劣解距离法
　　162.2 基于网络结构和TOPSIS的影响力节点识别框架
　　182.2.1邻域覆盖策略
　　182.2.2基于K-shell和邻域覆盖的影响力节点识别框架
　　202.2.3基于社区和邻域覆盖的影响力节点识别框架
　　212.3 实验设置
　　222.3.1 数据集
　　222.3.2 性能指标
　　232.4 实验结果和分析
　　252.4.1 SIR模型和SI模型仿真分析
　　252.4.2 种子节点分散程度分析
　　302.5 本章小结32参考文献：
　　第3章 基于社区的复杂网络影响力最大化建模
　　343.1 问题分析和研究动机
　　343.1.1问题分析
　　343.1.2研究动机
　　353.2 相关研究工作
　　353.2.1 反向生成网络
　　353.2.2 图遍历算法
　　363.3 基于社区的反向生成网络影响力最大化框架
　　373.3.1 社区划分
　　383.3.2 候选节点集生成
　　383.3.3 选择影响力节点
　　413.4 实验设置
　　433.4.1 数据集
　　433.4.2 性能指标
　　443.4.3 基线算法
　　453.5 实验结果及分析
　　463.5.1 鲁棒性分析
　　463.5.2 传播规模分析
　　483.5.3 平均最短路径长度分析
　　503.6 本章小结51参考文献：51
　　第4章 基于图注意力的复杂网络影响力最大化模型
　　534.1 相关研究工作
　　534.1.1 图注意力网络
　　534.1.2 信息熵
　　544.2 影响力最大化模型IMGAT554.2.1 训练数据集
　　554.2.2 模型结构564.3实验结果及分析564.3.1 实验数据集
　　564.3.2 SIR模型分析574.3.3 最小种子节点集分析
　　584.4 本章总结60参考文献：60
　　第5章 基于时空注意力异构图卷积神经网络的用户转发预测行为分析
　　第6章 融合超图注意力机制与图卷积网络的用户转发行为906.1 问题描述
　　第7章 基于边学习的多特征融合谣言检测方法

　　本书主要包括复杂网络统计特性、经典四种复杂网络模型、复杂网络影响力节点挖掘、复杂网络用户转发行为分析与预测等内容，重点阐述基于时空注意力异构图卷积神经网络的用户转发预测行为分析及融合社交关系的图卷积协同过滤 行为分析，列举了基于图注意力的复杂网络影响力 化模型和基于边学习的多特征融合谣言检测模型的经典使用案例。