异质图表示学习与应用
正版保障 假一赔十 可开发票
￥ 82.82 6.4折 ￥ 129 全新
库存145件
广东广州
认证卖家担保交易快速发货售后保障
作者石川
出版社机械工业出版社
ISBN9787111711384
出版时间2021-04
装帧平装
开本16开
定价129元
货号11689048
上书时间2024-08-24
商品详情
- 品相描述：全新
- 商品描述
-
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近期新进展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
精彩内容
本书旨在全面回顾异质图表示学习的发展，并介绍前沿研究进展。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 介绍了新模型与应用。全书主体内容分为两部分，第1部分重点介绍四种主要的异质图表示学习模型。第2部分介绍了异质图表示学习在现实工业场景中的应用。之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。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价