本书介绍网络社区发现与搜索方法，包括经典方法与前沿方法。全书共7章，按内容可分为四部分，分别是基础知识、社区发现方法、社区搜索方法及总结与展望。第一部分包括第1、2章，主要介绍社区发现与社区搜索的基础知识。第二部分包括第3、4章，其中，第3章介绍经典社区发现方法，主要包括基于模块度优化的社区发现方法、基于聚类的社区发现方法及其他社区发现方法；第4章详细介绍基于深度学习的社区发现方法。第三部分包括第5、6章，介绍拓扑图上的社区搜索方法和属性图上的社区搜索方法。第四部分为第7章，介绍社区发现与社区搜索的总结与展望。

更多科学出版社服务，请扫码获取。

目录　
前言　
第1章　绪论　1　
1.1　引言　1　
1.2　基本术语　3　
1.3　网络可视化　8　
1.4　本章小结　11　
参考文献　11　
第2章　社区分析基本知识　13　
2.1　社区发现与社区搜索概述　13　
2.1.1　社区的定义　13　
2.1.2　社区分析常用技术　15　
2.1.3　社区发现方法　17　
2.1.4　社区搜索方法　20　
2.2　数据集与评价指标　21　
2.2.1　数据集　21　
2.2.2　评价指标　24　
2.3　本章小结　27　
参考文献　28　
第3章　经典社区发现方法　29　
3.1　基于模块度优化的社区发现方法　29　
3.1.1　贪心算法　31　
3.1.2　传统谱方法　32　
3.2　基于聚类的社区发现方法　40　
3.2.1　层次聚类　40　
3.2.2　图划分聚类　41　
3.2.3　模糊聚类　45　
3.3　其他社区发现方法　50　
3.3.1　基于随机块模型的社区发现方法　50
3.3.2　基于统计建模模型的社区发现方法　53　
3.4　本章小结　58　
参考文献　58　
第4章　基于深度学习的社区发现方法.60　
4.1　深度学习概述　60　
4.1.1　深度学习介绍与常用框架　60　
4.1.2　注意力机制　61　
4.2　基于深度图嵌入的社区发现方法　63　
4.2.1　面向普通网络的深度图嵌入　63　
4.2.2　面向属性网络的深度图嵌入　66　
4.2.3　深度嵌入式图聚类方法　70　
4.3　基于图神经网络的社区发现方法　74　
4.3.1　基于深度图神经网络的聚类　74　
4.3.2　联合社区发现和节点表示学习的生成模型　79　
4.4　本章小结　83　
参考文献　83　
第5章　拓扑图上的社区搜索方法　85　
5.1　基于内聚子图的社区搜索模型　85　
5.1.1　内聚子图的度量指标　85　
5.1.2　基于内聚子图度量指标的社区搜索算法　88　
5.2　基于优化评价指标的社区搜索模型　91　
5.2.1　局部模块度社区搜索模型　91　
5.2.2　查询偏向密度社区搜索模型　94　
5.3　其他社区搜索模型　96　
5.3.1　基于随机游走及其变种的社区搜索模型　96　
5.3.2　基于邻域扩展的社区搜索模型　100　
5.3.3　基于谱子空间的社区搜索模型　102　
5.4　基于异构图的社区搜索模型　104　
5.4.1　异构图简介　104　
5.4.2　面向异质信息网络的社区搜索模型　105　
5.5　本章小结　111　
参考文献　111　
第6章　属性图上的社区搜索方法　113　
6.1　结合结构约束的属性社区搜索方法　113　
6.1.1　基于k-core的属性社区搜索方法　113
6.1.2　基于k-truss的属性社区搜索方法.114　
6.2　特定属性图上的社区搜索方法　117　
6.2.1　面向画像图的属性社区搜索方法　117　
6.2.2　面向时序图的属性社区搜索方法　120　
6.2.3　面向地理社交图的属性社区搜索方法　121　
6.3　基于图神经网络的社区搜索方法　126　
6.3.1　基于查询驱动图卷积网络的社区搜索　127　
6.3.2　基于图神经网络的轻量级交互式社区搜索　131　
6.4　本章小结　134　
参考文献　134　
第7章　总结与展望　136　
7.1　社区发现总结与展望　136　
7.2　社区搜索总结与展望　139　
7.3　本章小结　142　
参考文献　142