社交网络知识网络

社交网络
　　历史发展
　　　　小世界模型和无尺度网络
　　　　PageRank
　　　　社区发现
　　　　影响力最大化和链路预测
　　　　网络科学和深度学习的融合

　　网络社区划分算法
　　　　有向无向
　　　　　　拓扑分析
　　　　　　　　Q Modularity
　　　　　　　　Edge-Betweenness
　　　　　　　　Leading Eigenvector
　　　　　　　　Fast Greedy
　　　　　　　　Multi Level
　　　　　　流分析
　　　　　　　　Walk Trap
　　　　　　　　Label Propagation
　　　　　　　　Info map
　　　　　　　　Role-based community
　　　　重叠非重叠
　　　　　　非重叠社区发现算法
　　　　　　　　基于模块度优化
　　　　　　　　　　FN
　　　　　　　　　　CNM
　　　　　　　　　　MSG-MV
　　　　　　　　　　GN
　　　　　　　　　　EO
　　　　　　　　　　整数规划
　　　　　　　　基于谱分析
　　　　　　　　基于信息论
　　　　　　　　基于标号传播
　　　　　　　　　　LPA
　　　　　　重叠社区发现算法
　　　　　　　　基于团渗透
　　　　　　　　　　CPM
　　　　　　　　　　SCP
　　　　　　　　基于种子扩散
　　　　　　　　　　LMF
　　　　　　　　基于混合概率模型
　　　　　　　　基于边聚类
　　　　　　　　基于模糊聚类
　　　　　　　　基于非负矩阵分解
　　　　　　　　　　NMF

　　网络表示学习
　　　　基于网络结构
　　　　　　基于因子分解的方法
　　　　　　　　Locally Linear Embedding[2000]
　　　　　　　　Laplace Eigenmaps[2002]
　　　　　　　　Graph Factorization[2013]
　　　　　　浅层网络的方法
　　　　　　　　DeepWalk[2014]
　　　　　　　　LINE[2015]
　　　　　　　　Node2vec[2016]
　　　　　　深度学习的方法
　　　　　　　　SDNE[2016]
　　　　结合外部信息
　　　　　　TADW[2015]
　　　　　　MMDW[2016]
　　　　　　CANE[2017]

　　挑战
　　　　网络大数据的语义理解与分析
　　　　网络大数据的多模态关联与融合
　　　　社交网络大数据的群体行为分析与挖掘
　　　　网络大数据的多维分析与可视化
　　　　网络大数据系统的研发与集成
　　　　　　网络数据采集、预处理与整合技术
　　　　　　面向海量数据的数据存储与处理技术
　　　　　　　　数据存储技术
　　　　　　　　数据并行处理技术
　　　　　　　　数据并行挖掘技术
　　　　　　　　数据查询与分析技术
　　　　　　　　数据智能分析技术

　　　应用
　　　　社交圈子识别
　　　　节点影响力计算
　　　　影响力传播建模
　　　　虚假用户识别
　　　　用数据预测未来

 

　　（补充）表示学习
　　　　网络结构的表示（邻接矩阵）
　　　　列表结构的表示（链表）
　　　　文本的特征描述（TF-IDF）
　　　　图像的特征表示（SIFT）
　　　　人工制造的特征（特征工程）
　　　　自动学习到的隐含特征（矩阵分解）
　　　　无监督的特征表示（AutoEncoder）
　　　　监督的降维表示（LDA）
　　　　局部的流形学习方法（LLE）
　　　　全局的特征表示方法（SVD）
　　　　线性的表示方法（PCA）
　　　　高度非线性的自动学习方法（CNN）
　　　　网络表示学习