社会计算：社区发现和社会媒体挖掘

出版者的话
中文版序
译者序
译者简介
致谢
第1章 社会媒体与社会计算
1.1　社会媒体
1.2　概念与定义
1.2.1　网络与表示
1.2.2　大规模网络的属性
1.3　挑战
1.4　社会计算的任务
1.4.1　网络建模
1.4.2　中心性分析与影响建模
1.4.3　社区发现
1.4.4　分类与推荐
1.4.5　隐私、垃圾信息与安全
1.5　总结
第2章 结点、联系和影响
2.1　结点的重要性
2.2　联系的强度
2.2.1　从网络拓扑中学习
2.2.2　从用户特点和交互中学习
2.2.3　从用户行为序列中学习
2.3　影响建模
2.3.1　线性阈值模型
2.3.2　独立级联模型
2.3.3　影响最大化
2.3.4　影响和相关的区别
第3章 社区发现与评价
3.1　以结点为中心的社区发现
3.1.1　完全的相互关系
3.1.2　可达性
3.2　以群组为中心的社区发现
3.3　以网络为中心的社区发现
3.3.1　顶点相似性
3.3.2　隐含空间模型
3.3.3　块模型近似
3.3.4　谱聚类
3.3.5　模块度最大化
3.3.6　一个统一的过程
3.4　以层次为中心的社区发现
3.4.1　分裂式层次聚类
3.4.2　聚合式层次聚类
3.5　社区评价
第4章 混杂网络中的社区发现
4.1　混杂网络
4.2　多维网络
4.2.1　网络集成
4.2.2　效用集成
4.2.3　特征集成
4.2.4　划分集成
4.3　多模网络
4.3.1　双模网络的联合聚类
4.3.2　多模网络
第5章 社会媒体挖掘
5.1　社会媒体中的演化模式
5.1.1　研究社区演化的朴素方法
5.1.2　平滑演化网络中的社区演化
5.1.3　处理网络演化的基于片段的聚类算法
5.2　网络数据的分类
5.2.1　集体分类
5.2.2　基于社区的学习
5.2.3　总结
附录A 数据收集
附录B 介数计算
附录C k均值聚类
参考文献
索引