目录‖丛书前言译者序摘要和关键词第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2RankClus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4RankClus算法总结225实验结果23NetClus算法231排名函数232NetClus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2GNetMine321分类问题定义322基于图的正则化框架33RankClass331RankClass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2PathSim：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3PathSim：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3Flickr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3PathSelClus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