赵海兴，博士，现任青海师范大学副校长、教授、博士生导师，省部共建藏语智能信息处理及应用国家重点实验室主任，教育部“长江学者与创新团队”负责人；入选国家百千万人才工程，教育部新世纪优秀人才，享受国务院政府特殊津贴专家，青海省优秀专家；中国五四青年奖章获得者，全国模范教师；全国运筹学会和组合与图论学会常务理事，青海省党外知识分子联谊会常务理事。主要从事网络科学、信息处理及文化服务等研究工作，现主持国家重点研发计划项目1项，国家自然基金1项；已主持完成1项科技部973前期研究专项、5项国家自然科学基金项目，其中3项成果分别获青海省科技进步一等奖、二等奖和三等奖。在《中国科学》、《计算机学报》、Theoretical Computer Science等刊物发表论文80余篇。

第1章 绪论
1.1 网络表示学习基础知识
1.2 网络表示学习研究进展
1.2.1 词表示学习
1.2.2 网络表示学习
1.3 本书研究内容
第2章 Word2Vec与DeepWalk
2.1 Word2Vec
2.1.1 NEG
2.1.2 HS
2.1.3 CBOW模型
2.1.4 Skip-Gram模型
2.2 DeepWalk
2.2.1 语言与网络
2.2.2 随机游走
2.2.3 模型建模
2.3 Word2Vec与DeepWalk的关系
第3章 网络表示学习中的随机游走
3.1 改进上下文节点选择过程
3.1.1 问题描述
3.1.2 模型框架
3.1.3 实验分析
3.2 改进随机游走策略和节点选择过程
3.2.1 问题描述
3.2.2 模型框架
3.2.3 实验分析
第4章 二视图特征联合建模
4.1 文本特征关联的最大隔DeepWalk
4.1.1 问题描述
4.1.2 模型框架
4.1.3 实验分析
4.2 节点文本特征多元关系建模
4.2.1 问题描述
4.2.2 模型框架
4.2.3 实验分析
4.3 节点层次树多元关系建模
4.3.1 问题描述
4.3.2 模型框架
4.3.3 实验分析
第5章 三视图特征联合建模
5.1 基于诱导矩阵补全的三元特征矩阵融合策略
5.1.1 问题描述
5.1.2 模型框架
5.1.3 实验分析
5.2 三元特征矩阵融合策略与网络表示学习
5.2.1 问题描述
5.2.2 模型框架
5.2.3 实验分析
第6章 网络表示学习与词表示学习
6.1 网络表示学习与词表示学习中的应用
6.2 基于描述信息约束的词表示学习
6.2.1 问题描述
6.2.2 模型框架
6.2.3 实验分析
参考文献