第1章 引言 1
1.1异构信息网络是什么 2
1.2为什么异构网络挖掘是一项新的挑战 5
1.3本书的内容组织 6
第一部分 基于排名的聚类和分类 10
第2章 基于排名的聚类 10
2.1概述 10
2.2RankClus算法 12
2.2.1排名函数 14
2.2.2从条件排名分布到新的聚类度量 17
2.2.3聚类中心和距离测量 20
2.2.4RankClus算法总结 21
2.2.5实验结果 24
2.3NetClus算法 27
2.3.1排名函数 29
2.3.2NetClus算法框架 31
2.3.3网络聚类中目标对象生成模型 32
2.3.4目标对象和属性对象的后验概率 33
2.3.5实验结果 35
第3章 异构信息网络的分类 39
3.1概述 39
3.2GNetMine 40
3.2.1分类问题定义 42
3.2.2基于图的正则化框架 43
3.3RankClass 47
3.3.1RankClass框架 49
3.3.2基于图的排名 50
3.3.3调整网络 52
3.3.4后验概率计算 53
3.4实验结果 54
3.4.1数据集 55
3.4.2准确性研究 55
3.4.3案例研究 57
第二部分 基于元路径的相似性搜索和挖掘 60
第4章 基于元路径的相似性搜索 60
4.1概述 60
4.2PathSim：基于元路径的相似性度量 62
4.2.1网络模式和元路径 62
4.2.2基于元路径的相似性框架 64
4.2.3PathSim：全新的相似性度量 64
4.3单一元路径的在线查询处理 68
4.3.1单一元路径的连接 68
4.3.2基准算法 69
4.3.3基于共同聚类的剪枝 70
4.4多重元路径的组合 71
4.5实验结果 73
4.5.1有效性 73
4.5.2效率对比 77
4.5.3Flickr网络的案例研究 78
第5章 基于元路径的关系预测 79
5.1概述 79
5.2基于元路径的关系预测框架 80
5.2.1基于元路径的拓扑特征空间 81
5.2.2监督式关系预测框架 84
5.3合著关系预测 85
5.3.1合著关系预测模型 86
5.3.2实验结果 86
5.4带时间的关系预测 90
5.4.1面向作者引用关系预测的基于元路径的拓扑特征 91
5.4.2关系建立时间预测模型 94
5.4.3实验结果 99
第三部分 关系强度感知挖掘 106
第6章 不完全属性的关系强度感知聚类 106
6.1概述 106
6.2关系强度感知聚类的问题定义 108
6.3聚类框架 111
6.3.1模型综述 111
6.3.2属性生成建模 112
6.3.3结构一致性建模 114
6.3.4统一模型 116
6.4聚类算法 117
6.4.1聚类优化 117
6.4.2链接类型强度学习 119
6.4.3整合：GenClus算法 120
6.5实验结果 121
6.5.1数据集 121
6.5.2有效性研究 122
第7章 通过元路径选择的用户引导聚类 128
7.1概述 128
7.2用户引导聚类的元路径选择问题 131
7.2.1元路径选择问题 132
7.2.2用户引导的聚类 132
7.2.3问题定义 133
7.3概率模型 133
7.3.1关系生成建模 134
7.3.2用户引导建模 135
7.3.3对元路径选择的质量权重建模 136
7.3.4统一模型 137
7.4学习算法 138
7.4.1给定元路径权重优化聚类结果 138
7.4.2给定聚类结果优化元路径权重 139
7.4.3PathSelClus算法 140
7.5实验结果 141
7.5.1数据集 141
7.5.2有效性研究 142
7.5.3元路径权重的案例研究 146
7.6讨论 147
第8章 研究前沿 148
参考文献 152