企业官网建设流程全解析

《社会机器学习》目录

第一章绪论、第二章机器学习理论已略

第3章 社会聚类学习

• 3.1 问题背景
• 3.2 社会网络特征结构发现
• 3.3 社会网络的超图模型
  • 3.3.1 超图的基本概念
  • 3.3.2 模型要素与特征
• 3.4 HCH 方法
  • 3.4.1 HCH 方法的基本思想
  • 3.4.2 超边的相似性
  • 3.4.3 超边的融合
  • 3.4.4 划分密度
  • 3.4.5 覆盖效应分析
• 3.5 案例分析
  • 3.5.1 实验Ⅰ
  • 3.5.2 实验Ⅱ
• 3.6 HCH 方法时间复杂度分析和应用特点
  • 3.6.1 HCH 方法时间复杂度分析
  • 3.6.2 HCH 方法应用特点
• 3.7 本章小结
• 参考文献

第4章 社会关联学习

• 4.1 问题背景
• 4.2 研究现状
  • 4.2.1 网络链路预测研究现状
  • 4.2.2 链路预测效果评价指标
• 4.3 网络关联重构算法
  • 4.3.1 基于随机分块模型的链路去噪
  • 4.3.2 基于层次概率树的链路预测
  • 4.3.3 基于结构相似性的关联分析指标
  • 4.3.4 网络还原程度分析
• 4.4 本章小结
• 参考文献

第5章 社会角色学习

• 5.1 问题背景
• 5.2 节点特征与行为模式分析
  • 5.2.1 节点特征
  • 5.2.2 用户行为
• 5.3 节点影响力分析
  • 5.3.1 用户影响力的研究
  • 5.3.2 影响力因素
  • 5.3.3 社交网络影响力的度量方法
• 5.4 角色分析
  • 5.4.1 一般复杂网络基于结构等价性的角色分析
  • 5.4.2 社会网络中节点角色分析
• 5.5 节点角色分析实验
  • 5.5.1 基于有向拓扑势的节点角色发现算法
  • 5.5.2 基于非负矩阵分解的角色发现算法
  • 5.5.3 基于特征向量聚类的角色发现算法
• 5.6 本章小结
• 参考文献

第6章 社会行为学习

• 6.1 问题背景
• 6.2 国内外研究现状
  • 6.2.1 社会网络信息传播模型
  • 6.2.2 网络演化博弈模型
• 6.3 演化博弈方法相关概念
  • 6.3.1 演化博弈论基本思想
  • 6.3.2 演化稳定策略
  • 6.3.3 适应度
  • 6.3.4 弱选择
• 6.4 社会网络的演化博弈模型
  • 6.4.1 网络结构
  • 6.4.2 演化规则
  • 6.4.3 静态均匀网络信息传播模型
  • 6.4.4 静态非均匀网络信息传播模型
• 6.5 社会网络的协同演化模型
  • 6.5.1 社会网络动态性对信息传播的影响
  • 6.5.2 演化规则
  • 6.5.3 协同演化博弈模型
  • 6.5.4 网状结构和层次结构上的博弈分析
• 6.6 算法与仿真
  • 6.6.1 静态均匀网络算法与仿真
  • 6.6.2 ER 随机网络算法与仿真
  • 6.6.3 BA 无标度网络算法与仿真
  • 6.6.4 协同演化博弈算法与仿真Ⅰ
  • 6.6.5 协同演化博弈算法与仿真Ⅱ
• 6.7 案例应用
  • 6.7.1 实验Ⅰ
  • 6.7.2 实验Ⅱ
• 6.8 本章小结
• 参考文献

第7章 社会弱项学习

• 7.1 问题描述
  • 7.1.1 背景及意义
  • 7.1.2 研究现状
• 7.2 基本概念
  • 7.2.1 一般脆弱性的定义
  • 7.2.2 社会网络复杂性
  • 7.2.3 社会网络脆弱性
• 7.3 主要模型
  • 7.3.1 异质容量模型
  • 7.3.2 基于马尔可夫逻辑的异质网络模型
  • 7.3.3 马尔可夫逻辑网基本理论
  • 7.3.4 马尔可夫逻辑网决策推理
  • 7.3.5 能力向量
  • 7.3.6 其他模型
• 7.4 弱项学习方法
  • 7.4.1 基于偏序生成树的网络脆弱性学习
  • 7.4.2 基于影响模型与马尔可夫链的网络脆弱性学习
  • 7.4.3 基于状态演化模型的社会网络结构弱项学习
• 7.5 案例实验
  • 7.5.1 电力网络建模
  • 7.5.2 电力网络弱项学习
  • 7.5.3 电力网络弱项学习的流程
  • 7.5.4 实验结果分析
• 7.6 本章小结
• 参考文献

第8章 社会异常学习

• 8.1 问题描述
  • 8.1.1 背景及意义
  • 8.1.2 研究现状
  • 8.1.3 主要问题
• 8.2 基本概念
  • 8.2.1 一般异常的定义
  • 8.2.2 社会组织异常的定义
  • 8.2.3 社会组织异常的分类
• 8.3 主要模型
  • 8.3.1 网络相似度模型
  • 8.3.2 社团演化模型
  • 8.3.3 异常子序列学习模型
• 8.4 案例实验
  • 8.4.1 社会网络动态描述
  • 8.4.2 异常子序列检测
• 8.5 本章小结

什么是社会机器学习？

社会机器学习可以理解为：让机器在“社会系统/社会网络”的数据与机制上进行学习，从而实现理解、预测与干预社会行为与社会结构的一类方法体系。它把“机器学习”从传统的图像/文本对象，扩展到由人、组织、关系与互动构成的网络化社会。

更直白地说：

社会机器学习 = 用机器学习方法去学习“社会关系如何形成、群体如何分化、信息如何传播、行为如何演化、系统何处脆弱、哪些现象异常”。

核心对象：社会系统的“网络化数据”

社会机器学习的典型数据不是独立样本，而是相互关联的个体与互动，例如：

• 节点：人、账号、机构、国家、群体
• 边/互动：关注、通信、交易、合作、冲突、转发
• 属性：文本内容、地理位置、时间戳、画像特征
• 动态：关系随时间变化、社团演化、行为策略变化
• 高阶关系：群聊/会议/同现等（可用超图表达）

它“学什么”：六类典型学习任务

结合你给的目录，这个领域最常见的学习目标包括：

1. 结构发现/聚类学习
   在网络中发现社团、群体、功能模块或高阶结构。

2. 关联学习（链路预测/重构/去噪）
   预测未来会不会产生关系，或从观测到的“脏网络”还原更真实的结构。

3. 角色学习
   学习节点在网络中的“社会角色/功能位置”（如桥梁、核心、边缘、意见领袖等）。

4. 行为学习
   学习信息传播、协同互动、竞争合作等行为规律（常结合传播模型、演化博弈、协同演化）。

5. 弱项/脆弱性学习
   找出系统的薄弱环节：哪些节点/边/子结构一旦受损会造成级联失败或功能崩溃。

6. 异常学习
   发现异常账号、异常组织、异常传播链路或异常时间序列行为。

它“怎么学”：三条方法主线

社会机器学习通常把三类思想揉合在一起：

• 统计与概率建模：随机分块模型、层次模型、概率图模型等（强调生成机制与不确定性）
• 网络/图学习：图表示学习、图神经网络、超图模型等（强调结构与表征）
• 动力学与博弈/机制模型：传播动力学、演化博弈、协同演化（强调机制解释与仿真）

与普通机器学习相比，最大差异在哪里？

关键差异在于：社会系统具有强烈的依赖性与反馈性，导致学习问题更“难也更真实”：

• 样本不独立：节点之间相互影响，传统 i.i.d. 假设常不成立
• 同质性与影响混淆：相似的人更容易连接（同质性），连接又会让人变得更像（影响），两者难分
• 动态与反身性：模型的预测/推荐本身会改变用户行为（预测影响现实）
• 噪声与偏差：采样偏差、机器人账号、缺失边、观测误差很常见
• 伦理与治理要求更高：隐私、公平、可解释、风险与社会影响必须考虑

一句话总结

社会机器学习就是：面向社会网络与社会行为数据，综合机器学习、网络科学与社会科学机制建模，去学习社会结构、关系与行为的规律，以支持预测、检测与决策的一类方法体系。