本书讲述挖掘异构信息网络所需的原理和方法。是著名华裔科学家韩家炜和其学生Yizhou Sun（现美国西北大学副教授）联袂编写的数据挖掘研究生教材。本书是伊利诺伊香槟分校数据挖掘高级课程的参考教材，与我们引进出版的那本韩老师的名著《数据挖掘：概念与技术》互为补充，适合作为研究生数据挖掘课程的参考教材，也适合数据挖掘研究人员和专业技术人员参考。
计算机\数据挖掘
[美]孙艺洲（Yizhou Sun），韩家炜(Jiawei Han) 著：
作者简介：
孙艺洲（Yizhou Sun） 2012年在伊利诺伊大学香槟分校获得计算机科学博士学位，目前是美国加州大学洛杉矶分校计算机科学系助理教授，主要研究兴趣集中在大规模信息和社交网络挖掘，曾荣获ACM SIGKDD 2013博士论文奖，2015年美国科学基金会职业成就奖（NSF CAREER Award）。
韩家炜（Jiawei Han）伊利诺伊大学香槟分校的Abel Bliss教授，ACM和IEEE Fellow。曾担任KDD、SDM和ICDM等国际知名会议的程序委员会主席，创办了ACM TKDD学报并任主编。在数据挖掘、数据库和信息网络领域发表论文600余篇，曾获得2004年度ACM SIGKDD创新奖，2015年度IEEE计算机学会技术成就奖，2009年度IEEE计算机学会Wallace McDowell奖。
段磊 朱敏 唐常杰 译：暂无简介
作为大数据时代铺路石的数据采集技术，近年来的发展突飞猛进。它带来两个巨大变革：一方面，现实生活中各项事物间的联系愈发紧密，以社交网络为例，一个成熟的社交网络不仅包含着人与人之间的各种联系，还包含着人与时间、空间、机构等其他相关因素的联系；另一方面，我们也更关注于发掘多源数据所蕴含的丰富、复杂、有趣的未知知识。如何将这些现实世界中多源且异构的关系处理为计算机可表达并可计算的形式？异构信息网络理论及其技术成为解决这一问题的利器。
本书是一本极具学术价值的介绍异构信息网络相关概念及分析方法的专著，在介绍异构信息网络基本概念的基础上，结合实例讲述了异构信息网络中的聚类与分类、基于元路径的相似性搜索和关系预测、关系强度感知挖掘等重要内容。本书循序渐进、用例丰富，容易为读者理解，且内容新颖全面，涉及异构信息网络的基本概念、与其他类型网络的差别、异构信息网络分析及应用等。本书适合数据挖掘方向的高年级本科生、硕士生和博士生阅读，也适合相关研究和应用技术人员参考。
本书的作者孙艺洲博士致力于异构信息网络挖掘研究，曾荣获ACM SIGKDD 2013博士论文奖，是一位冉冉升起的数据挖掘研究者新星。本书的另一位作者韩家炜教授在数据挖掘领域发表了很多具有广泛影响力的高水平著作和论文。本书就是两位作者关于异构信息网络挖掘研究和应用的总结。
本书翻译工作主要由段磊、朱敏、唐常杰完成。四川大学研究生杨皓、刘璐、晏力、秦攀、高超、王文韬等对本书的翻译提供了不少帮助，译者谨在此对他们表示感谢，并向在翻译过程中给予我们大力支持的机械工业出版社华章分社的姚蕾、朱劼、和静三位老师表示衷心的感谢。
译者在翻译过程中力求忠于原著，新的专业术语尽量符合原著语义。但由于水平和时间有限，译文难免有错误和不妥之处，恳请读者批评指正。
段 磊
2016年5月于四川大学
丛书前言
译者序
摘要和关键词
作者简介
第1章 引言
1.1 异构信息网络是什么
1.2 为什么异构网络挖掘是一项新的挑战
1.3 本书的内容组织
第一部分 基于排名的聚类和分类
第2章 基于排名的聚类
2.1 概述
2.2 RankClus算法
2.2.1 排名函数
2.2.2 从条件排名分布到新的聚类度量
2.2.3 聚类中心和距离测量
2.2.4 RankClus算法总结
2.2.5 实验结果
2.3 NetClus算法
2.3.1 排名函数
2.3.2 NetClus算法框架
2.3.3 网络聚类中目标对象生成模型
2.3.4 目标对象和属性对象的后验概率
2.3.5 实验结果
第3章 异构信息网络的分类
3.1 概述
3.2 GNetMine
3.2.1 分类问题定义
3.2.2 基于图的正则化框架
3.3 RankClass
3.3.1 RankClass框架
3.3.2 基于图的排名
3.3.3 调整网络
3.3.4 后验概率计算
3.4 实验结果
3.4.1 数据集
3.4.2 准确性研究
3.4.3 案例研究
第二部分 基于元路径的相似性搜索和挖掘
第4章 基于元路径的相似性搜索
4.1 概述
4.2 PathSim：基于元路径的相似性度量
4.2.1 网络模式和元路径
4.2.2 基于元路径的相似性框架
4.2.3 PathSim：全新的相似性度量
4.3 单一元路径的在线查询处理
4.3.1 单一元路径的连接
4.3.2 基准算法
4.3.3 基于共同聚类的剪枝
4.4 多重元路径的组合
4.5 实验结果
4.5.1 有效性
4.5.2 效率对比
4.5.3 Flickr网络的案例研究
第5章 基于元路径的关系预测
5.1 概述
5.2 基于元路径的关系预测框架
5.2.1 基于元路径的拓扑特征空间
5.2.2 监督式关系预测框架
5.3 合著关系预测
5.3.1 合著关系预测模型
5.3.2 实验结果
5.4 带时间的关系预测
5.4.1 面向作者引用关系预测的基于元路径的拓扑特征
5.4.2 关系建立时间预测模型
5.4.3 实验结果
第三部分 关系强度感知挖掘
第6章 不完全属性的关系强度感知聚类
6.1 概述
6.2 关系强度感知聚类的问题定义
6.3 聚类框架
6.3.1 模型综述
6.3.2 属性生成建模
6.3.3 结构一致性建模
6.3.4 统一模型
6.4 聚类算法
6.4.1 聚类优化
6.4.2 链接类型强度学习
6.4.3 整合：GenClus算法
6.5 实验结果
6.5.1 数据集
6.5.2 有效性研究
第7章 通过元路径选择的用户引导聚类
7.1 概述
7.2 用户引导聚类的元路径选择问题
7.2.1 元路径选择问题
7.2.2 用户引导的聚类
7.2.3 问题定义
7.3 概率模型
7.3.1 关系生成建模
7.3.2 用户引导建模
7.3.3 对元路径选择的质量权重建模
7.3.4 统一模型
7.4 学习算法
7.4.1 给定元路径权重优化聚类结果
7.4.2 给定聚类结果优化元路径权重
7.4.3 PathSelClus算法
7.5 实验结果
7.5.1 数据集
7.5.2 有效性研究
7.5.3 元路径权重的案例研究
7.6 讨论
第8章 研究前沿
参考文献
