圖算法：行業(yè)應用與實踐

Contents　目　　錄
前言
第1章　圖思維方式 1
1.1　什么是圖 1
1.1.1　人類到底是如何思考的 2
1.1.2　由一道面試題引發(fā)的思考 6
1.2　圖論與圖計算 10
1.2.1　圖論及其發(fā)展史 10
1.2.2　圖計算概述 15
第2章　圖算法基礎 22
2.1　圖算法的分類 23
2.2　圖分析與數(shù)據(jù)科學 30
第3章　如何評估圖算法的效率 38
3.1　什么是算法效率 38
3.2　查詢模式、數(shù)據(jù)結構和計算效率 40
3.2.1　查詢模式 41
3.2.2　數(shù)據(jù)結構與計算效率 46
3.3　并發(fā)設計與加速 58
第4章　中心性算法 67
4.1　節(jié)點度中心性 67
4.1.1　算法歷史和原理 67
4.1.2　算法復雜度與算法參數(shù) 70
4.1.3　行業(yè)應用：零售信貸消費預測 71
4.2　接近中心性 72
4.2.1　算法歷史和原理 72
4.2.2　算法復雜度與算法參數(shù) 74
4.2.3　行業(yè)應用：功能性場所選址 75
4.3　中介中心性 76
4.3.1　算法歷史和原理 76
4.3.2　算法復雜度與算法參數(shù) 78
4.3.3　行業(yè)應用：交通樞紐評估 79
4.4　網(wǎng)頁排名 79
4.4.1　算法歷史和原理 79
4.4.2　算法復雜度與算法參數(shù) 82
4.4.3　行業(yè)應用：互聯(lián)網(wǎng)網(wǎng)頁排名 82
4.5　虛假賬號排名 83
4.5.1　算法歷史和原理 83
4.5.2　算法復雜度與算法參數(shù) 85
4.5.3　行業(yè)應用：社交網(wǎng)絡惡意賬號
　　　識別 85
第5章　相似度算法 86
5.1　杰卡德相似度 86
5.1.1　算法歷史和原理 86
5.1.2　算法復雜度與算法參數(shù) 88
5.1.3　行業(yè)應用：度量學習模型的預測
　　　準確性 89
5.2　重疊相似度 89
5.2.1　算法歷史和原理 89
5.2.2　算法復雜度與算法參數(shù) 90
5.2.3　行業(yè)應用：文本相似度比較 91
5.3　余弦相似度 92
5.3.1　算法歷史和原理 92
5.3.2　算法復雜度與算法參數(shù) 94
5.3.3　行業(yè)應用：人臉識別 95
5.4　歐幾里得距離 95
5.4.1　算法歷史和原理 95
5.4.2　算法復雜度與算法參數(shù) 97
5.4.3　行業(yè)應用：異常檢測 97
5.5　皮爾森相關系數(shù) 98
5.5.1　算法歷史和原理 98
5.5.2　算法復雜度與算法參數(shù) 99
5.5.3　行業(yè)應用：構建相關性網(wǎng)絡 99
第6章　連通性和緊密度算法 101
6.1　全圖k鄰 101
6.1.1　算法歷史和原理 101
6.1.2　算法復雜度與算法參數(shù) 105
6.1.3　行業(yè)應用：企業(yè)影響力分析
　　?。üど毯凸湀D譜） 106
6.2　三角形計算 109
6.2.1　算法歷史和原理 109
6.2.2　算法復雜度與算法參數(shù) 113
6.2.3　行業(yè)應用：社交網(wǎng)絡緊密性 114
6.3　二分圖 115
6.3.1　算法歷史和原理 115
6.3.2　算法復雜度與算法參數(shù) 120
6.3.3　行業(yè)應用：地圖著色問題 121
6.4　連通分量 122
6.4.1　算法歷史和原理 122
6.4.2　算法復雜度與算法參數(shù) 128
6.4.3　行業(yè)應用：中繼器網(wǎng)絡安全系數(shù)
　　　計算 128
6.5　最小生成樹 129
6.5.1　算法歷史和原理 129
6.5.2　算法復雜度與算法參數(shù) 134
6.5.3　行業(yè)應用：電力、網(wǎng)絡線路
　　　規(guī)劃 135
第7章　傳播與分類算法 137
7.1　標簽傳播 137
7.1.1　算法歷史和原理 137
7.1.2　算法復雜度與算法參數(shù) 142
7.1.3　行業(yè)應用：社交網(wǎng)絡用戶興趣
　　　分類 143
7.2　k最近鄰 144
7.2.1　算法歷史和原理 144
7.2.2　算法復雜度與算法參數(shù) 148
7.2.3　行業(yè)應用：手寫識別與離群點
　　　檢測 149
7.3　k均值 150
7.3.1　算法歷史和原理 150
7.3.2　算法復雜度與算法參數(shù) 153
7.3.3　行業(yè)應用：基于向量聚類的圖像
　　　顏色縮減 153
7.4　魯汶識別 154
7.4.1　算法歷史和原理 154
7.4.2　算法復雜度與算法參數(shù) 159
7.4.3　行業(yè)應用：用戶社交關系
　　　分類 159
第8章　拓撲鏈接預測算法 161
8.1　基于節(jié)點低階相似性 163
8.1.1　共同鄰居 163
8.1.2　AA指標 164
8.1.3　資源分配 166
8.1.4　優(yōu)先連接 168
8.2　基于節(jié)點高階相似性 170
8.2.1　最短距離 170
8.2.2　Katz指標 172
8.2.3　重啟型隨機游走 174
8.2.4　SimRank指標 177
8.3　行業(yè)應用：推薦系統(tǒng) 180
第9章　圖嵌入算法 182
9.1　圖嵌入的目的 182
9.2　基于隨機游走 186
9.2.1　隨機游走概述 187
9.2.2　Skip-gram模型 191
9.2.3　負采樣 196
9.2.4　損失函數(shù) 198
9.3　基于圖神經(jīng)網(wǎng)絡 200
9.3.1　圖神經(jīng)網(wǎng)絡概述 200
9.3.2　圖卷積網(wǎng)絡 201
9.3.3　GraphSAGE 207
9.4　行業(yè)應用：藥物不良反應預測 210
第10章　圖算法實戰(zhàn) 212
10.1　在流動性風險管理中的創(chuàng)新
　　　應用 213
10.1.1　應用背景概述 214
10.1.2　傳