异质图表示学习与应用

图书标准信息

• 作者 [中]石川 王啸 (美)俞士纶
• 出版社 机械工业出版社
• 出版时间 2022-08
• 版次 1
• ISBN 9787111711384
• 定价 129.00元
• 装帧 其他
• 开本 16开
• 纸张 纯质纸
• 页数 272页
• 字数 371千字

【内容简介】

本书旨在全面回顾异质图表示学习的发展，并介绍其最新研究进展。书中首先从方法和技术两个角度总结了现有的工作，并介绍了该领域的一些公开资源。然后分类详细介绍了最新模型与应用。最后讨论了异质图表示学习未来的研究方向，并总结了本书的内容。全书分为四个部分，第一部分快速介绍整个领域，第二、三部分深入研究相关技术和应用，第四部分介绍异质图神经网络算法平台，并讨论未来研究方向。
  本书不仅可以作为异质图表示学习领域学术界和工业界的研究指南，还可以作为相关领域学生的参考资料。

【作者简介】

石川　

北京邮电大学计算机学院教授、博士研究生导师、智能通信软件与多媒体北京市重点实验室副主任。主要研究方向: 数据挖掘、机器学习、人工智能和大数据分析。近5年来以第一作者或通讯作者身份在CCF A类期刊和会议发表论文50余篇，出版中英文专著5部，授权发明专利20余项，相关研究成果应用于阿里巴巴、腾讯、华为、美团等公司。他曾获得ADMA 2011/ ADMA 2018最佳论文奖和WWW 2019最佳论文候选。其研究成果获得省部级奖励5项，包括CCF科学技术奖自然科学二等奖（第一）和吴文俊人工智能科技进步一等奖（第三）。他入选了爱思唯尔高被引学者，并获得了北京市高等学校“师德先锋”和“青年英才”等称号。

 

王啸

北京邮电大学计算机学院副教授，清华大学计算机科学与技术系博士后。在天津大学计算机科学与技术学院获得博士学位，是圣路易斯华盛顿大学的联合培养博士。主要研究领域包括数据挖掘、机器学习、人工智能和大数据分析。曾获ACM中国新星提名奖，在数据挖掘领域的顶级期刊和会议（包括IEEE TKDE、KDD、NeurIPS、AAAI、IJCAI、WWW）发表论文 80 余篇，并多次获得（或提名）相关会议最佳论文。担任WWW、AAAI、KDD等会议 SPC/PC 成员，以及IEEE TKDE等期刊的评审员。

 

俞士纶（Philip S. Yu）

美国伊利诺伊大学芝加哥分校（UIC）计算机科学系杰出教授，也是信息与技术领域的讲席教授（Wexler Chair），美国计算机学会（ACM）及美国电气电子工程师学会（IEEE）会士，清华大学数据科学研究院院长、清华大学特聘教授。主要研究领域包括大数据、数据挖掘（尤其是图或网络挖掘）、社交网络、隐私保护数据发布、数据流、数据库系统以及互联网应用和技术。发表论文1300余篇，被引超过14.9万次，H因子高达176。他曾于美国IBM Watson研究中心工作多年，创建了世界知名的数据挖掘及数据管理部，拥有300多项专利。作为国际数据库和数据挖掘等领域的先驱之一，以及国际数据挖掘和数据管理领域的顶尖学者，他在专业领域做出了诸多奠基性工作。

【目录】

序

前言

第一部分 概况

第1 章引言2

1.1 基本概念和定义2

1.2 图表示学习5

1.3 异质图表示学习及其挑战5

1.4 本书的组织结构6

参考文献6

第2 章异质图表示方法的最新进展9

2.1 方法分类9

2.1.1 结构保持的异质图表示9

2.1.2 属性辅助的异质图表示11

2.1.3 动态异质图表示12

2.1.4 面向应用的异质图表示12

2.2 技术总结14

2.2.1 浅层模型14

2.2.2 深度模型14

2.3 开源资料15

2.3.1 基准数据集15

2.3.2 开源代码16

2.3.3 可用工具16

参考文献18

第二部分 技术篇

第3 章结构保持的异质图表示学习26

3.1 简介26

3.2 基于元路径的随机游走27

3.2.1 概述27

3.2.2 HERec 模型27

3.2.3 实验31

3.3 基于元路径的分解34

3.3.1 概述34

3.3.2 NeuACF 模型35

3.3.3 实验38

3.4 关系结构感知的异质图表示学习算法43

3.4.1 概述43

3.4.2 异质图中的关系结构特征分析44

3.4.3 RHINE 模型47

3.4.4 实验48

3.5 网络模式保持的异质图表示学习算法51

3.5.1 概述51

3.5.2 NSHE 模型52

3.5.3 实验55

3.6 本章小结56

参考文献57

第4 章属性辅助的异质图表示学习61

4.1 简介61

4.2 基于层次注意力机制的异质图神经网络62

4.2.1 概述62

4.2.2 HAN 模型63

4.2.3 实验66

4.3 异质图传播网络70

4.3.1 概述70

4.3.2 语义混淆分析71

4.3.3 HPN 模型73

4.3.4 实验76

4.4 异质图结构学习77

4.4.1 概述77

4.4.2 HGSL 模型78

4.4.3 实验82

4.5 本章小结84

参考文献84

第5 章动态异质图表示学习88

5.1 简介88

5.2 增量学习89

5.2.1 概述89

5.2.2 DyHNE 模型89

5.2.3 实验95

5.3 时序信息99

5.3.1 概述99

5.3.2 SHCF 模型100

5.3.3 实验103

5.4 时序交互105

5.4.1 概述105

5.4.2 THIGE 模型106

5.4.3 实验110

5.5 本章小结111

参考文献112

第6 章异质图表示学习的新兴主题116

6.1 简介116

6.2 对抗学习117

6.2.1 概述117

6.2.2 HeGAN 模型118

6.2.3 实验121

6.3 重要性采样122

6.3.1 概述122

6.3.2 HeteSamp 模型123

6.3.3 实验127

6.4 双曲空间表示130

6.4.1 概述130

6.4.2 HHNE 模型130

6.4.3 实验132

6.5 本章小结135

参考文献135

第三部分 应用篇

第7 章基于异质图表示学习的推荐140

7.1 简介140

7.2 TopN推荐141

7.2.1 概述141

7.2.2 MCRec 模型142

7.2.3 实验145

7.3 冷启动推荐148

7.3.1 概述148

7.3.2 MetaHIN 模型149

7.3.3 实验153

7.4 作者集识别156

7.4.1 概述156

7.4.2 ASI 模型157

7.4.3 实验162

7.5 本章小结164

参考文献164

第8 章基于异质图表示学习的文本挖掘168

8.1 简介168

8.2 短文本分类169

8.2.1 概述169

8.2.2 短文本异质图建模169

8.2.3 HGAT 模型171

8.2.4 实验173

8.3 融合长短期兴趣建模的新闻推荐176

8.3.1 概述176

8.3.2 问题形式化177

8.3.3 GNewsRec 模型177

8.3.4 实验182

8.4 偏好解耦的新闻推荐系统184

8.4.1 概述184

8.4.2 GNUD 模型185

8.4.3 实验188

8.5 本章小结190

参考文献191

第9 章基于异质图表示学习的工业应用195

9.1 简介195

9.2 套现用户检测196

9.2.1 概述196

9.2.2 预备知识196

9.2.3 HACUD 模型197

9.2.4 实验200

9.3 意图推荐202

9.3.1 概述202

9.3.2 问题形式化203

9.3.3 MEIRec 模型204

9.3.4 实验207

9.4 分享推荐209

9.4.1 概述209

9.4.2 问题形式化210

9.4.3 HGSRec 模型210

9.4.4 实验214

9.5 好友增强推荐217

9.5.1 概述217

9.5.2 预备知识218

9.5.3 SIAN 模型219

9.5.4 实验222

9.6 本章小结226

参考文献226

第四部分 平台篇

第10 章异质图表示学习平台与实践230

10.1 简介230

10.2 基础平台231

10.2.1 深度学习平台231

10.2.2 图机器学习平台234

10.2.3 异质图表示学习平台236

10.3 异质图表示学习实践237

10.3.1 构建数据集237

10.3.2 构建Trainerflow 241

10.3.3 HAN 实践243

10.3.4 RGCN 实践246

10.3.5 HERec 实践248

10.4 本章小结250

参考文献250

第11 章未来研究方向252

11.1 简介252

11.2 保持异质图结构253

11.3 捕获异质图特性253

11.4 异质图上的图深度学习254

11.5 异质图表示方法的可靠性254

11.6 更多的现实应用255

11.7 其他255

参考文献256