h指數的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

圖深度學習

為了解決h指數的問題，作者馬耀湯繼良 這樣論述：

本書全面介紹了圖深度學習的理論基礎、模型方法及實際應用。全書分為4篇，共15章。第1篇為基礎理論，重點介紹圖和深度學習的基礎知識，包括圖的關鍵概念和屬性、各種基礎的神經網絡模型、訓練深度學習模型的關鍵方法以及防止訓練過程中過度擬合的實用技術；第2篇為模型方法，涵蓋了從基本設置到高級設置的成熟的圖深度學習方法，包括圖嵌入、圖過濾和池化操作、圖對抗攻擊和圖對抗防御技術、可擴展性圖神經網絡的代表性技術以及圖神經網絡之外的眾多圖深度模型；第3篇為實際應用，重點介紹了具有代表性的實際應用，包括自然語言處理、計算機視覺、數據挖掘、生物化學與醫療健康等；第4篇為前沿進展，介紹了有可能成為將來研究熱點的高級方

法和應用，主要從表達性、深度、公平性、可解釋性和自監督學習等內容。在組織結構方面，每章首先介紹寫作動機，然後通過具體示例或技術細節介紹相應內容，最後提供更多的擴展閱讀知識。 本書既適合對數據挖掘、機器學習和社交網絡分析感興趣的本科生和研究生閱讀，也適合企業開發者和項目經理閱讀。對於沒有計算機科學背景，但想要應用圖神經網絡來推進其所在學科發展的研究人員，本書同樣是一本值得參考的讀物。 馬 耀 密歇根州立大學博士研究生。他將於2021年秋季學期作為助理教授加入新澤西理工學院。他是密歇根州立大學傑出博士生獎以及FAST Fellowship的獲獎者。他的研究興趣包括網絡嵌入和

圖神經網絡。他的論文多次發表在KDD、WWW、IJCAI、SIGIR和TKDE等數據挖掘頂級會議和期刊上。他在眾多知名會議（如ICML、 KDD、 AAAI和IJCAI等）以及雜志（如TKDD、TKDE和TPAMI等）擔任程式委員會委員以及審稿人。他是AAAI圖神經網絡和KDD圖深度學習教學講座的第一組織者和演講者，這些教學講座都獲得了領域內外的巨大關注和廣泛好評。 湯繼良 密西根州立大學助理教授。在這之前，他曾擔任雅虎研究院研究員，於2015年從亞利桑那州立大學取得博士學位。他在圖特徵選擇、圖表徵學習、圖深度學習以及它們在互聯網和社交媒體上的應用方面做出了傑出貢獻。他曾經獲得 SIGKD

D新星獎（Rising Star Award）、Withrow傑出研究獎（Distinguished Withrow Research Award）、美國自然科學基金傑出青年獎（NSF Career Award）、IJCAI早期焦點人物演講（IJCAI Early Career Talk）和包括KDD、WSDM等在內的7項領域知名會議的最佳（或提名）論文獎。他的博士論文獲得SIGKDD最佳博士論文（KDD Best Dissertation）亞軍和院長優秀博士論文獎（Dean’s Dissertation Award）。他是SIAM數據分析小組和ACM TKDD期刊的秘書長。他經常當任數據挖掘

頂級會議的組織者和頂級期刊的編委。他的研究成果發表在領域頂級的期刊和會議上，現已獲得了超過14,000多次的引用（H指數為60）和媒體的廣泛關注和報道。   王怡琦 密歇根州立大學博士研究生。她的研究興趣主要集中在圖神經網絡理論基礎及其應用。她在計算機頂級會議（如KDD、EMNLP、WWW和AAAI等）上發表了多篇研究成果。她曾擔任AAAI、IJCAI和CIKM等國際知名會議的程式委員會委員。她曾參加組織KDD和AAAI圖深度學習專題教學講座，並擔任主要演講者，獲得了領域內外的巨大關注和廣泛好評。 金 衛 密歇根州立大學博士研究生。他的研究興趣集中在圖神經網絡，包括理論基礎、模型健壯性及應

用。他在KDD、AAAI、WSDM和WWW等計算機頂級會議上發表了多篇研究成果。他還是備受業內關注的對抗攻擊和防禦工具包DeepRobust的主要貢獻者。他曾擔任包括IJCAI和CIKM等國際知名會議的程式委員會委員。他曾參加組織AAAI圖深度學習專題教學講座和KDD神經網絡對抗攻擊與防禦專題教學講座，並擔任主要演講者，獲得了領域內外的巨大關注和廣泛好評。 第1章緒論1 1.1 簡介2 1.2 圖深度學習的動機2 1.3 本書內容4 1.4 本書讀者定位6 1.5 圖特徵學習的簡要發展史7 1.5.1 圖特徵選擇8 1.5.2 圖表示學習9 1.6 小結10 1.7 擴展閱讀

11   第1篇基礎理論 第2章圖論基礎15 2.1 簡介16 2.2 圖的表示16 2.3 圖的性質17 2.3.1 度17 2.3.2 連通度19 2.3.3 中心性21 2.4 譜圖論24 2.4.1 拉普拉斯矩陣24 2.4.2 拉普拉斯矩陣的特徵值和特徵向量26 2.5 圖信號處理27 2.6 復雜圖30 2.6.1 異質圖30 2.6.2 二分圖30 2.6.3 多維圖31 2.6.4 符號圖32 2.6.5 超圖33 2.6.6 動態圖33 2.7 圖的計算任務34 2.7.1 側重於節點的任務35 2.7.2 側重於圖的任務36 2.8 小結37 2.9 擴展閱讀37 第3章深

度學習基礎39 3.1 簡介40 3.2 深度前饋神經網絡41 3.2.1 網絡結構42 3.2.2 啟動函數43 3.2.3 輸出層和損失函數45 3.3 卷積神經網絡47 3.3.1 卷積操作和卷積層48 3.3.2 實際操作中的卷積層51 3.3.3 非線性啟動層52 3.3.4 池化層53 3.3.5 卷積神經網絡總體框架53 3.4 循環神經網絡54 3.4.1 傳統循環神經網絡的網絡結構55 3.4.2 長短期記憶網絡56 3.4.3 門控循環單元58 3.5 自編碼器59 3.5.1 欠完備自編碼器59 3.5.2 正則化自編碼器60 3.6 深度神經網絡的訓練61 3.6.1

梯度下降61 3.6.2 反向傳播62 3.6.3 預防過擬合64 3.7 小結65 3.8 擴展閱讀65 第2篇模型方法 第4章圖嵌入69 4.1 簡介70 4.2 簡單圖的圖嵌入71 4.2.1 保留節點共現71 4.2.2 保留結構角色80 4.2.3 保留節點狀態83 4.2.4 保留社區結構84 4.3 復雜圖的圖嵌入86 4.3.1 異質圖嵌入87 4.3.2 二分圖嵌入89 4.3.3 多維圖嵌入90 4.3.4 符號圖嵌入91 4.3.5 超圖嵌入93 4.3.6 動態圖嵌入95 4.4 小結96 4.5 擴展閱讀97 第5章圖神經網絡99 5.1 簡介100 5.2 圖神經

網絡基本框架102 5.2.1 側重於節點的任務的圖神經網絡框架102 5.2.2 側重於圖的任務的圖神經網絡框架103 5.3 圖濾波器104 5.3.1 基於譜的圖濾波器104 5.3.2 基於空間的圖濾波器114 5.4 圖池化120 5.4.1 平面圖池化120 5.4.2 層次圖池化121 5.5 圖卷積神經網絡的參數學習125 5.5.1 節點分類中的參數學習126 5.5.2 圖分類中的參數學習126 5.6 小結127 5.7 擴展閱讀128 第6章圖神經網絡的健壯性129 6.1 簡介130 6.2 圖對抗攻擊130 6.2.1 圖對抗攻擊的分類131 6.2.2 白盒攻擊1

32 6.2.3 灰盒攻擊135 6.2.4 黑盒攻擊139 6.3 圖對抗防禦142 6.3.1 圖對抗訓練142 6.3.2 圖凈化144 6.3.3 圖注意力機制144 6.3.4 圖結構學習148 6.4 小結149 6.5 擴展閱讀149 第7章可擴展圖神經網絡151 7.1 簡介152 7.2 逐點采樣法155 7.3 逐層采樣法158 7.4 子圖采樣法162 7.5 小結164 7.6 擴展閱讀164 第8章復雜圖神經網絡165 8.1 簡介166 8.2 異質圖神經網絡166 8.3 二分圖神經網絡168 8.4 多維圖神經網絡168 8.5 符號圖神經網絡170 8.6 超

圖神經網絡173 8.7 動態圖神經網絡174 8.8 小結175 8.9 擴展閱讀175 第9章圖上的其他深度模型177 9.1 簡介178 9.2 圖上的自編碼器178 9.3 圖上的循環神經網絡180 9.4 圖上的變分自編碼器182 9.4.1 用於節點表示學習的變分自編碼器184 9.4.2 用於圖生成的變分自編碼器184 9.4.3 編碼器：推論模型185 9.4.4 解碼器: 生成模型186 9.4.5 重建的損失函數186 9.5 圖上的生成對抗網絡187 9.5.1 用於節點表示學習的生成對抗網絡188 9.5.2 用於圖生成的生成對抗網絡189 9.6 小結191 9.7

擴展閱讀191 第3篇實際應用 第10章自然語言處理中的圖神經網絡195 10.1 簡介196 10.2 語義角色標注196 10.3 神經機器翻譯199 10.4 關係抽取199 10.5 問答系統200 10.5.1 多跳問答任務201 10.5.2 Entity-GCN 202 10.6 圖到序列學習203 10.7 知識圖譜中的圖神經網絡205 10.7.1 知識圖譜中的圖濾波205 10.7.2 知識圖譜到簡單圖的轉換206 10.7.3 知識圖譜補全207 10.8 小結208 10.9 擴展閱讀208 第11章計算機視覺中的圖神經網絡209 11.1 簡介210 11.2 視覺

問答210 11.2.1 圖像表示為圖211 11.2.2 圖像和問題表示為圖212 11.3 基於骨架的動作識別214 11.4 圖像分類215 11.4.1 零樣本圖像分類216 11.4.2 少樣本圖像分類217 11.4.3 多標簽圖像分類218 11.5 點雲學習219 11.6 小結220 11.7 擴展閱讀220 第12章數據挖掘中的圖神經網絡221 12.1 簡介222 12.2 萬維網數據挖掘222 12.2.1 社交網絡分析222 12.2.2 推薦系統225 12.3 城市數據挖掘229 12.3.1 交通預測229 12.3.2 空氣質量預測231 12.4 網絡安全數

據挖掘231 12.4.1 惡意賬戶檢測231 12.4.2 虛假新聞檢測233 12.5 小結234 12.6 擴展閱讀234 第13章生物化學和醫療健康中的 圖神經網絡235 13.1 簡介236 13.2 藥物開發與發現236 13.2.1 分子表示學習236 13.2.2 蛋白質相互作用介面預測237 13.2.3 藥物–靶標結合親和力預測239 13.3 藥物相似性整合240 13.4 復方藥物副作用預測242 13.5 疾病預測244 13.6 小結245 13.7 擴展閱讀245 第4篇前沿進展 第14 章圖神經網絡的高級方法249 14.1 簡介250 14.2 深層圖神經網

絡250 14.2.1 Jumping Knowledge 252 14.2.2 DropEdge 253 14.2.3 PairNorm 253 14.3 通過自監督學習探索未標記數據253 14.3.1 側重於節點的任務254 14.3.2 側重於圖的任務256 14.4 圖神經網絡的表達能力257 14.4.1 WL 測試258 14.4.2 表達能力259 14.5 小結260 14.6 擴展閱讀260 第15章圖神經網絡的高級應用261 15.1 簡介262 15.2 圖的組合優化262 15.3 學習程式表示264 15.4 物理學中相互作用的動力系統推斷265 15.5 小結26

6 15.6 擴展閱讀266 參考文獻267 索引295

h指數進入發燒排行的影片

傳統引文指標與Altmetrics指標之比較研究：以諾貝爾生理學或醫學獎得主之研究著作為例

為了解決h指數的問題，作者董冠麟 這樣論述：

量化的學術評鑑方法主要透過資訊計量分析與引用文獻分析來評估研究產出，並發展多種指標作為評估的標準，傳統的評鑑指標包含期刊層級的期刊影響係數，論文層級的文獻被引用次數或平均被引用次數，作者層級的h指數等。然而在Web 2.0與開放取用的時代，學術傳播不再侷限於過去的形式，部落格或社群媒體已成為常見的學術交流場域。在這樣的環境下，僅透過傳統引文指標衡量學術研究難以完整地評估其影響力，因此，在2010年出現了Altmetrics的概念，係指基於線上工具與線上環境活動之學術影響計量。本研究旨在比較與分析傳統引文指標與Altmetrics指標，並探索兩者之關聯性，本研究以21世紀諾貝爾生理學或醫學獎5

0位得主的研究著作為對象，採用論文層級與期刊層級的傳統引文指標，來自兩大集成商Altmetric.com與Plum Analytics的Altmetrics指標，以及Web of Science的使用指標與Mendeley的讀者數指標等30種指標，並透過相關性分析、主成分分析、集群分析等統計方法針對上述指標進行分析。研究結果顯示：（1）文獻在Web of Science、Scopus、Dimensions三種綜合學科的引文索引資料庫的被引用樣態相似；（2）文獻主要集中在少數具影響力之期刊；（3）大部分的文獻不被各種新聞與社群媒體所提及，主要被正式引用與被Mendeley讀者蒐藏；（4）高AAS

的文獻主要被新聞、部落格，或是推特等來源所高度提及；（5）Altmetric.com的綜合指標AAS與推特、專利呈較高的相關性；（6）文獻被引用次數與推特推文提及之間的關係極弱；（7）Mendeley讀者數與文獻被引用次數之間的關係較強；（8）Mendeley讀者數與文獻在引文索引資料庫的使用次數關係緊密；（9）新聞提及指標與部落格提及指標關係緊密。本研究亦根據研究結果提出有關研究對象、研究方法與技術，以及未來研究方向的建議。

巴拉巴西成功定律

為了解決h指數的問題，作者亞伯特．拉斯洛•巴拉巴西 這樣論述：

是金子就一定會發光嗎？ 如何打造成功的IP？ 小鮮肉的流量為什麼失靈了？ 為什麼你付出那麼多，榮譽卻不是你的? 為什麼你一再嘗試與努力，卻一再失敗？人到中年還要堅持嗎？ …… 《巴拉巴西成功定律》不是一本“成功學”雞湯勵志書，而是一本全面解釋成功的科學手冊，用5條簡易的成功定律揭示了成功背後普遍的科學規律。你能夠想到的任何人，他們的成功之路都由這些定律決定。   如果你想打造一個成功的IP，那麼你得先知道這個世界的“最大流量”是如何運作的！ >>郎朗問鼎世界十大鋼琴家，如何像他一樣成為最大流量？ >>三流藝術家如何靠“遍地撒網”成為一流藝術家？

成功第一定律告訴我們：能力表現驅動成功，但當能力表現不能被測量時，社會網路驅動成功。   如果你想給孩子一個更好的未來，那麼你得先知道教育的真相！ >>是你迫切地想進名校，還是名校更需要你？ 成功第二定律告訴我們：能力表現是有界的，但成功是無界的。   如果你想在這個審美快時代打造“爆品”，那麼你得先知道到底是什麼引爆了流行！ >>一個普通的遊戲“爆炸貓”如何獲得880萬眾籌钜款？ 成功第三定律告訴我們：初始的成功乘以社會適應度等於未來的成功。 如果你想建立一個成功的團隊，那麼你得先知道團隊從優秀到卓越的複用路徑！ >>爵士名曲《泛藍調調》中有哪些被隱

藏起來的管理聖經？ >>全明星母雞隊為什麼之後不再下蛋了？ 成功第四定律告訴我們：成功的團隊兼具多樣性與平衡性，?且往往更容易讓?個超級領導者脫穎?出。 如果你想成為一個成功的個體，那麼你必須知道如何把自我認知的成就升級為大眾認可的成功！ >>圖書暢銷榜上的冠軍和亞軍，真的只差一個名次？ >>為什麼你一再嘗試與努力，卻一再失敗？ 成功第五定律告訴我們：成功可以發?在任何時間和年齡，只要你在?個好想法上堅持不懈。 定律的意思就是你不服不行，不管你喜不喜歡，世界就是這個樣子。《巴拉巴西成功定律》告訴我們成功不是單打獨鬥，而是要成為“優先連接者”，讓自己嵌

入“我們”，機會才會在恰當的時間和空間湧現。這是一本關於成功的書，這是一本關於我們的書，這是一本關於我們如何成功的書！  

利用關鍵字熱門程度預測學術期刊論文影響力

為了解決h指數的問題，作者蔡承芳 這樣論述：

隨著網際網路逐漸蓬勃發展，現今已有許多資訊在網際網路上公開，而人們越來越依賴在網路上的各種資訊，在各領域學術期刊中，研究學者們會隨著時間及議題潮流，關注所要研究的議題，同時也會追求新穎的科技及研究方法來進行實驗，以提高實驗結果準確度。本研究主要運用期刊(Journal)、第一作者(Fisrt Author)及關鍵字熱門程度(Keyword Popularity)來預測期刊論文影響力(Journal Paper Impact)，其中，會將關鍵字相關指標數據與潛藏狄利克里分配(Latent Dirichlet Allocation, LDA)的主題機率進行搭配，產生期刊論文的各項關鍵字熱門程度，

再運用資料探勘軟體Weka的決策樹(Tree)及函式分類(Functions)，前者以C4.5演算法(C4.5 Algorithm, J48)，後者分別以羅吉斯回歸(Logistic Regression, Logistic)、支援向量機(Support Vector Machine, SMO)、類神經網路(Artificial Neural Network, MultilayerPerceptron)，共四種分類技術來建樣預測模型，進而探討商管領域不同類別對於關鍵字熱門程度的影響程度，以及探討關鍵字熱門程度因子與其他相關因子(期刊、作者)對於該領域的期刊論文影響程度。