- Networks: Networks are a general language for describing complex systems of interacting entities. 网络(关系图)是描述交互实体复杂系统的通用语言
- Networks/Graph 的两种类型:1) Networks(Natural Graphs 自然网络):如 社会,基因或蛋白质的交互 2) Information Graph(信息图):信息/知识是经过组织和链接的;(scene graphs)实体在特定场景下的关联;(similarity networks)相似性的连接
- 构建网络前(或对实体进行建模前),需要了解清楚实体间的关系
- 我们如何利用关联结构去做更好的预测?——通过对实体关系的准确建模
- 分析网络的方式:节点分类,链接关系预测,社区发现,网络相似度检测
本课程的两个重要主题:
1. 网络结构是如何影响系统的稳健性的
2. 开发量化工具用于评估网络结构与网络动态演化的交互,以及他们对故障的影响(这里不确定是否理解合适,原文是their impact on failures)
此外,会学习到现实中故障的发生往往伴随可复现的规则,从而用于量化甚至是预测
应用:
1. 社交网络
社交圈发现(检测/挖掘)
2. 工业
停电故障检测与预测
3. 知识
知识图谱,混合图谱,多模图谱
1)知识图谱,2)链路预测(内容推荐也是链路预测的一种),3)节点嵌入(embedding nodes, 类似于词嵌入,将节点用n维向量表示,且该向量是可用于计算,若节点间的邻居比较相似,则该两节点的距离较近)
4. 在线媒体:
1) 例如Tweet的转发网络(极化与非极化,群体极化?)
2) 信息误报(misinformation):例如检测维基百科的文章是否是骗局?真实文章间的链接往往比较连贯,而欺诈性文章的链接结构是真实的不一致,论文中显示使用network检测文章是否真实的准确率在0.86(高于人类0.66)https://cs.stanford.edu/people/jure/pubs/hoax-www16.pdf
3)预测扩散性(predicting virality):如社交网络中的信息级联
4)产品采用(product adoption): 如用户邀请另一用户注册某应用
5.生物制药:
如 蛋白质间的交互网络
1)副作用:复合用药的副作用预测? 例如,老年人因为身患多种疾病,因此会服用多类药物,给定两类药物,预测其同时服用所产生的副作用。首先,构建一个多类混合的网络,共两类节点:药,以及蛋白。共3类链路关系:蛋白间的交互,药和蛋白间的交互,药和药间的关系 分为两种:肠胃出血副作用,心跳过慢副作用。
结果显示,使用网络分析中链路预测的方法,准确率比使用张量因子分解,多关心因子分解和浅层网络embedding的效果要好
课程内容安排:
原文地址:https://www.cnblogs.com/combfish/p/12271455.html