基于网络特征学习的个性化推荐系统9787111700609

王鸿伟，伊利诺伊大学厄巴纳-香槟分校博士后。2014年本科毕业于上海交通大学ACM班，2018年于上海交通大学取得计算机科学博士学位，曾于2019-2021年在斯坦福大学计算机科学系从事博士后研究。研究兴趣为机器学习和数据挖掘在图领域的应用，包括图表征学习、知识图谱、推荐系统等。在靠前很好期刊上发表了20余篇论文，曾获得2018年谷歌博士生奖研金和2020年中国计算机学会很好博士学位论文奖。

丛书序 导师序 摘要 ABSTRACT 第1章 绪论 1.1 课题背景及意义 1.2 推荐系统概述 1.2.1 传统推荐系统方法分类 1.2.2 推荐系统近期新的研究热点和方向 1.3 网络特征学习概述 1.3.1 背景介绍 1.3.2 输入网络的种类 1.3.3 输出特征的种类 1.3.4 典型方法 1.4 本文研究内容及结构安排 第2章 应用于推荐系统交互图的网络特征学习方法 2.1 引言 2.2 生成对抗式的网络特征学习 2.2.1 GraphGAN 模型框架 2.2.2 判别器和生成器的实现与训练 2.3 网络结构感知的归一化指数函数 2.3.1 graph softmax 的设计 2.3.2 性质证明 2.3.3 生成策略 2.3.4 复杂度分析 2.4 性能验证 2.4.1 实验准备工作 2.4.2 实证研究 2.4.3 实验结果 2.4.4 超参数敏感性 2.5 本章小结 第3章 社交网络辅助的推荐系统——基于特征的方法 3.1 引言 3.2 数据集构建 3.3 有符号异构网络特征学习 3.3.1 情感符号预测的问题描述 3.3.2 有符号异构网络特征学习模型 3.3.3 相关讨论 3.4 性能验证 3.4.1 实验准备工作 3.4.2 实验结果 3.4.3 超参数敏感性 3.5 本章小结 第4章 社交网络辅助的推荐系统——基于结构的方法 4.1 引言 4.2 背景知识和数据集分析 4.2.1 背景知识 4.2.2 数据集分析 4.3 社交-话题-语义感知的微博投票推荐方法 4.3.1 微博投票推荐的问题描述 4.3.2 话题感知的词向量学习 4.3.3 投票推荐算法 4.4 性能验证 4.4.1 实验准备工作 4.4.2 实验结果 4.4.3 超参数敏感性 4.5 本章小结 第5章 知识图谱辅助的推荐系统——基于特征的方法 5.1 引言 5.2 预备知识 5.2.1 知识图谱特征学习 5.2.2 用于语句特征学习的卷积神经网络 5.3 知识图谱辅助的推荐系统的问题描述 5.4 依次学习法 5.4.1 知识提取 5.4.2 知识感知的卷积神经网络 5.4.3 基于注意力机制的用户历史兴趣聚合 5.5 交替学习法 5.5.1 多任务学习模型框架 5.5.2 交叉压缩单元、推荐系统模块和知识图谱特征学习模块 5.5.3 学习算法 5.5.4 理论分析 5.6 性能验证 5.6.1 数据集 5.6.2 基准方法 5.6.3 实验准备工作 5.6.4 依次训练法的实验结果 5.6.5 交替训练法的实验结果 5.7 本章小结 第6章 知识图谱辅助的推荐系统——基于结构的方法 6.1 引言 6.2 向外传播法 6.2.1 RippleNet 模型框架 6.2.2 波纹集合 6.2.3 兴趣传播 6.2.4 学习算法 6.2.5 可解释性与干涉加强的讨论 6.3 向内聚合法 6.3.1 KGCN 层 6.3.2 学习算法 6.3.3 知识图谱牵引力的讨论 6.4 性能验证 6.4.1 数据集 6.4.2 基准方法 6.4.3 实验准备工作 6.4.4 向外传播法的实验结果 6.4.5 向内聚合法的实验结果 6.5 本章小结 第7章 总结与展望 7.1 总结 7.2 课题研究展望 参考文献 致谢 攻读学位期间发表的学术论文 攻读学位期间参与的项目

第1章绪论

1.1课题背景及意义

随着互联网技术和产业的迅速发展，接入互联网的服务器数量与网页数量也呈指数上升趋势。互联网的迅速发展使得海量信息同时呈现在我们面前。例如，Netflixe上有数万部电影，Amazon?上有数百万本图书，淘宝网?上的商品更是数以亿计。传统的搜索算法只能呈现给用户（user）相同的物品（item）排序结果，无法针对不同用户的兴趣爱好提供相应的服务。信息爆炸使得信息的利用率反而降低，这种现象被称为信息超载（information overload）。推荐问题从本质上说就是代替用户评估其从未看过、接触过和使用过的物品，包括书籍、电影、新闻、音乐、餐馆、旅游景点等。个性化推荐系统（personalized recommender systems） 作为一种信息过滤的重要手段，是当前解决信息超载问题的最有效的方法之一，是面向用户的互联网产品的核心技术。

推荐系统在20世纪90年代中期被作为一个独立的概念提出。20年间，推荐系统在学术界和工业界得到迅速发展，诞生了大量的理论、技术和应用。在信息大数据的时代，要有效地利用海量的用户历史信息和物品信息，发掘用户和物品之间的交互规律，机器学习（machine learning）技术必不可少。相应地，推荐系统作为机器学习的核心应用之一，也极大地促进了机器学习技术的进步。

在推荐系统的实际应用中，除了用户和产品的海量交互历史，可用的信息还包括用户画像（如年龄、性别等）、物品属性（如物品类别、描述、价格等）和上下文信息（如当前会话信息、用户位置等）。因此，实用的推荐算法需要有很强的扩展性，可以方便地融合各种辅助信息（side informa-tion）。在通用的机器学习框架下，这些辅助信息可以被统一表示为特征向量(feature vector),这一类可以读取特征向量作为输入的通用推荐算法也被称为基于特征的推荐（a-ture-based recommendation)。

对于基于特化的推存鼻法血言，有一类特征较为特殊，即拥有网络结构的特征（network-structured feature)。这种特征存在于如下3个方面。

本书主要介绍如何学习网络中的节点表征，并将其应用到推荐系统中，重点研究了推荐系统中的三种各具代表性的网络：用户产品交互的二分图，用户端的社交网络，产品端的知识图谱。本书系统性地研究了三种网络的建模，提出了针对不同种类的网络在多个层面将网络信息和推荐系统进行结合的解决方案。这些解决方案获得了学术界的广泛关注，有些方案已经在实际的工业场景中落地，具有很强的学术和产业价值。 本书能够对推荐系统领域起到一些引领作用，并对图机器学习领域的研究人员提供更多应用方向的启发。