书: https://pan.baidu.com/s/1LWWovU7IScpiddLrDhjl1w?pwd=pc5n
笔记如下：
- 复杂网络特征提取：
- 节点度分布、聚类系数、介数中心性等拓扑特征作为机器学习输入
- 使用
NetworkX计算网络指标：nx.clustering(G)
- 网络嵌入（Network Embedding）：
- DeepWalk：通过随机游走生成节点序列，用Word2Vec学习嵌入
- Node2Vec：控制游走策略（BFS/DFS平衡）
- 代码示例：
from gensim.models import Word2Vec
- 图神经网络（GNN）基础：
- 消息传递框架（Message Passing）
- 图卷积网络（GCN）层：$$H^{(l+1)} = \sigma(\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}H^{(l)}W^{(l)})$$
- 社区检测结合机器学习：
- 基于Louvain算法发现社区结构作为分类特征
- 使用社区标签增强节点分类任务
- 动态网络表示学习：
- 时序图注意力网络（TGAT）
- 动态Triad（三元组）模式捕捉
- 异质网络处理：
- 元路径（Meta-Path）设计
- 异质图神经网络（HGNN）
- 网络生成模型：
- 图变分自编码器（GraphVAE）
- 对抗生成网络（GAN）生成拓扑结构
- 链路预测方法：
- 传统方法：共同邻居、Adamic-Adar
- 深度学习：SEAL框架（子图编码）
- 图分类任务：
- 图核方法（Graph Kernels）
- 图池化操作（Graph Pooling）：SortPooling, DiffPool
- 多模态网络学习：
- 结合节点属性（文本/图像）的图注意力机制
- 跨模态对比学习（如CLIP风格）
- 可解释性技术：
- 图注意力权重可视化
- 子结构重要性分析（GNNExplainer）
- 超大规模网络处理：
- 图采样技术（GraphSAGE的邻居采样）
- 分布式图计算（PyTorch Geometric+DP）
- 网络对抗攻击：
- 拓扑扰动检测
- 鲁棒性图神经网络训练
- 生物网络应用：
- 蛋白质相互作用网络中的功能预测
- 药物重定位（Drug Repurposing）
- 社交网络分析：
- 影响力最大化（Influence Maximization）
- 虚假账号检测
- 交通网络优化：
- 基于图神经网络的流量预测
- 最优路径规划
- 推荐系统应用：
- 用户-商品二部图建模
- 知识图谱增强的图推荐
- 异常检测：
- 网络结构异常（突然出现的密集子图）
- 节点行为异常（Autoencoder重构误差）
- 联邦图学习：
- 跨多个子网络的隐私保护训练
- 梯度混淆技术
- 前沿方向：
- 量子图神经网络
- 时空图建模（如流行病传播预测）
- 神经符号系统结合