深度理解算法：图表示学习的推荐系统研究

本书针对推荐系统中的二部图、社交网络和知识图谱的图结构模式，研究基于图表示学习的深度推荐系统。通过挖掘图信息中的隐性关系和高阶关系，使用图学习的方式探索用户和产品的潜在关联，弥补相关推荐系统研究在挖掘用户之间或者产品之间隐性关系方面的不足，形成一系列合理而且有效的推荐技术。增加推荐系统输入的多样性，运用社交网络和知识图谱等辅助信息，缓解推荐系统目前面临的“数据稀疏”、“冷启动”等问题，提高推荐系统的准确性和多样性，为推荐系统技术的发展提供可参考的方向。

马心陶，博士，吉林财经大学管理科学与信息工程学院教师。2011年赴德国留学获学士与硕士学位，2022年毕业于吉林大学计算机科学与技术学院，获工学博士学位。主要研究方向为推荐系统、知识图谱与社交网络。已在核心期刊和国际学术会议发表论文10余篇。主持吉林省科学技术厅项目、吉林省教育厅科学规划项目等多项，参与国家自然科学基金和国家社会科学基金多项。.7，

第1章　绪论　　1.1　推荐系统背景　　1.2　国内外研究进展　　1.3　研究问题与内容　　1.4　本书组织架构第2章　推荐系统概述　　2.1　引言　　2.2　传统推荐系统和基于深度学习的推荐系统　　2.3　基于图表示学习的推荐系统　　2.4　推荐系统常用的评价指标第3章　基于二部图隐性关系学习的推荐系统　　3.1　引言　　3.2　二部图隐性关系学习模型　　3.3　实验评估及分析　　3.4　本章小结第4章　基于社交网络图表示学习的推荐系统　　4.1　引言　　4.2　多注意力模型的社交网络推荐系统　　4.3　实验评估及分析　　4.4　本章小结第5章　基于传播的知识图谱推荐系统　　5.1　引言　　5.2　双传播机制的知识图谱推荐　　5.3　实验评估及分析　　5.4　本章小结第6章　基于邻域的知识图谱推荐系统　　6.1　引言　　6.2　基于邻域交互的多任务知识图谱推荐　　6.3　实验评估及分析　　6.4　本书算法比较　　6.5　本章小结第7章　总结与展望　　7.1　全书总结　　7.2　研究展望参考文献

本书针对推荐系统中的二部图、社交网络和知识图谱的图结构模式，研究基于图表示学习的深度推荐系统。通过挖掘图信息中的隐性关系和高阶关系，使用图学习的方式探索用户和产品的潜在关联，弥补相关推荐系统研究在挖掘用户之间或者产品之间隐性关系方面的不足，形成一系列合理而且有效的推荐技术。增加推荐系统输入的多样性，运用社交网络和知识图谱等辅助信息，缓解推荐系统目前面临的“数据稀疏”、“冷启动”等问题，提高推荐系统的准确性和多样性，为推荐系统技术的发展提供可参考的方向。

马心陶，博士，吉林财经大学管理科学与信息工程学院教师。2011年赴德国留学获学士与硕士学位，2022年毕业于吉林大学计算机科学与技术学院，获工学博士学位。主要研究方向为推荐系统、知识图谱与社交网络。已在核心期刊和国际学术会议发表论文10余篇。主持吉林省科学技术厅项目、吉林省教育厅科学规划项目等多项，参与国家自然科学基金和国家社会科学基金多项。.7，