在信息智能技术的支撑下，大数据、云计算、物联网、人工智能等技术正成为当下社会最鲜明的时代特征，在这个时代中，人们争相利用网络数据提炼有效信息以催生服务价值。研究动态网络上的动态过程属于典型的交叉学科领域研究。本书主要从计算机科学角度介绍并讨论网络结构认知和演化动力学方面的研究成果，通过对经典的网络模型和其中的典型应用进行详细的讨论和解析分析，探索隐藏在其中的模式规律。
本书的核心内容就是面向复杂网络的结构和动态演化分析，结合网络数据信息，挖掘隐含的网络结构，分析结构和属性的表示学习，揭示网络的节点信息，从结构和攻击效果阐述网络的脆弱性，研究基于信息的网络阻断问题，揭示局部行为和全局特性之间的深层关联，让人们认识复杂自适应系统的演化机理，掌握复杂自适应系统的博弈手段。立足于不同层次上的认知能力，本书着重从偶对近似、群体选择和分布式学习三个方面出发，阐释复杂自适应系统上的演化、博弈和协同。
目录
第 1 章 绪论 1
1.1 网络视角下的现实世界 2
1.1.1 随机网络 2
1.1.2 小世界网络 3
1.1.3 无标度网络 4
1.2 网络结构与性能分析 5
1.2.1 网络结构重构问题 5
1.2.2 网络特征表示学习问题 6
1.2.3 网络结构的脆弱性 6
1.3 网络的动态性 7
1.3.1 网络中的动态过程 7
1.3.2 网络中的信息阻断 9
1.3.3 网络演化过程分析 11
1.4 本书组织结构 13
参考文献 14
第 2 章 网络中的结构重构方法 19
2.1 部分结构已知条件下的重构方法 19
2.1.1 基于节点相似性的链路预测模型 20
2.1.2 基于 GCN 的链路预测模型 21
2.1.3 基于微分图方程组的动态结构预测22
2.2 基于动态时序数据的结构重构方法 24
2.2.1 时序数据网络重构概念 24
2.2.2 时序数据网络重构常用方法 25
2.3 应用：基于离散信息的网络拓扑还原方法 27
2.3.1 网络重构算法 27
2.3.2 子图重构 30
2.3.3 子图叠加 30
2.3.4 网络重构实验分析 31
2.4 本章小结 38
参考文献 38
第 3 章 网络结构与属性的表示学习方法 42
3.1 网络表示学习问题 42
3.1.1 网络表示学习的定义 42
3.1.2 网络表示学习的方法 43
3.2 网络结构信息的表示学习方法 45
3.2.1 基于随机游走的表示学习 45
3.2.2 基于矩阵分解的表示学习 48
3.2.3 基于深度学习的表示学习 52
3.3 网络属性信息的表示学习方法 54
3.3.1 结合文本信息的网络表示学习 54
3.3.2 半监督的网络表示学习 57
3.3.3 结合边上标签信息的网络表示学习 61
3.4 异构网络的表示学习方法 64
3.4.1 基于元路径的异构网络表示学习 64
3.4.2 基于最优化的异构网络表示学习 68
3.4.3 属性多重异构网络表示学习 69
3.5 应用：电影网络中的表示学习 72
3.5.1 数据集情况 72
3.5.2 数据预处理及构建电影网络 73
3.5.3 基于 Node2Vec 的节点表示学习 74
3.5.4 基于结构与属性的节点表示学习 75
3.6 本章小结 75
参考文献 76
第 4 章 网络结构的脆弱性分析 79
4.1 网络结构脆弱性问题 79
4.1.1 基于网络结构特征的脆弱节点识别 80
4.1.2 基于邻接信息熵的关键点识别算法 81
4.1.3 基于误差重构的节点价值分析模型 85
4.2 相互依存网络中的级联失效性分析 90
4.2.1 相互依存网络中的级联失效问题 91
4.2.2 基于相继故障渗流模型的网络脆弱性分析 95
4.2.3 基于马尔可夫模型的网络脆弱性分析 97
4.3 应用：公用网络中的关键节点识别 108
4.3.1 基于邻接信息熵的关键点识别 108
4.3.2 基于误差重构的关键节点识别 113
4.4 本章小结 118
参考文献 118
第 5 章 网络中的信息传播 123
5.1 背景介绍 124
5.1.1 传播动力学 124
5.1.2 群体动力学 132
5.1.3 自适应选举者模型 137
5.1.4 自适应群体博弈模型 143
5.1.5 自适应系统协同模型 149
5.2 自适应信息传播模型 155
5.2.1 理论分析 156
5.2.2 偶对近似 159
5.2.3 高阶变量 160
5.2.4 从归一到分裂 162
5.3 基于距离的结构重连 166
5.3.1 rewire-to-foaf 策略 166
5.3.2 近似微分方程 167
5.3.3 案例分析 169
5.4 基于近似多数模型的动态过程 173
5.4.1 近似多数模型 173
5.4.2 近似微分方程 174
5.4.3 案例分析 177
5.5 基于加权状态演化的信息传播 179
5.5.1 加权状态演化 180
5.5.2 近似微分方程 181
5.5.3 案例分析 182
5.6 应用：选举者网络的演化与近似 185
5.6.1 从偶对近似到交接近似 186
5.6.2 从近似主方程到双星近似 190
5.7 本章小结 200
参考文献 200
第 6 章 网络中的信息阻断 210
6.1 网络阻断问题 210
6.1.1 网络阻断的应用背景 211
6.1.2 网络阻断的基础模型 212
6.1.3 网络阻断的变种类别 216
6.2 依赖网络中的网络阻断 218
6.2.1 依赖网络及其阻断问题的应用背景 219
6.2.2 依赖网络中的依赖关系模型 219
6.2.3 包含依赖关系的流阻断模型 220
6.2.4 逻辑–物理双层网络最短路阻断 223
6.3 动态对抗条件下的阻断 226
6.3.1 网络阻断的动态假设 227
6.3.2 动态多重网络最短路阻断模型框架 227
6.3.3 网间反馈关系建模 230
6.3.4 动态网络阻断模型 235
6.3.5 动态网络阻断模型实验验证 237
6.4 应用：动态双层网络最短路阻断实验 239
6.4.1 动态双层网络实验数据 239
6.4.2 实验分析 240
6.5 本章小结 244
参考文献 244
第 7 章 网络中的群体演化 246
7.1 背景介绍 247
7.2 演化群体模型 249
7.2.1 无博弈演化 251
7.2.2 长期连续演化过程 254
7.2.3 合作群体的衰退 254
7.3 扰动作用下的合作群体瓦解 259
7.3.1 扰动实验 259
7.3.2 合作的韧性 261
7.3.3 扰动规模的影响 264
7.3.4 嵌入系数 p 的影响 266
7.4 应用：合作群体瓦解预测 267
7.4.1 预警信号挖掘 267
7.4.2 预警信号的动态模式 269
7.4.3 基于 Kendall 相关系数的一致性分析 272
7.4.4 预警信号的准确性分析 277
7.5 本章小结 281
参考文献 282
第 8 章 网络中的智能协同 285
8.1 背景介绍 286
8.2 智能体网络任务分组 288
8.2.1 研究动机 288
8.2.2 模型定义 290
8.2.3 劳动力分工 292
8.3 基于分布式学习的自适应动态性 293
8.3.1 节点角色演化 293
8.3.2 风险规避学习 295
8.3.3 网络结构调整 297
8.3.4 图转移的完备性 300
8.3.5 算法流程 303
8.4 自适应协同理论分析 304
8.4.1 学习率的影响 306
8.4.2 任务规模越大，资源浪费率越小 307
8.4.3 功能集合越大，任务成功率越小 308
8.5 应用：分布式任务分组中自适应协同 309
8.5.1 基准实验 310
8.5.2 功能服务集合的扩大 314
8.5.3 任务规模的增长 314
8.5.4 动态任务下的动态分组 317
8.6 本章小结 318
参考文献 319
书单推荐
