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