异质图表示学习与应用

图书信息

作者：[中]石川 王啸 [美]俞士纶，机械工业 | 分类：科学技术,计算机/网络,计算机科学理论与基础知识

作者简介

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。

内容简介

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。

目录

图书目录
序前言第一部分 概况第1 章引言21.1 基本概念和定义21.2 图表示学习51.3 异质图表示学习及其挑战51.4 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92.1 方法分类92.1.1 结构保持的异质图表示92.1.2 属性辅助的异质图表示112.1.3 动态异质图表示122.1.4 面向应用的异质图表示122.2 技术总结142.2.1 浅层模型142.2.2 深度模型142.3 开源资料152.3.1 基准数据集152.3.2 开源代码162.3.3 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263.1 简介263.2 基于元路径的随机游走273.2.1 概述273.2.2 HERec 模型273.2.3 实验313.3 基于元路径的分解343.3.1 概述343.3.2 NeuACF 模型353.3.3 实验383.4 关系结构感知的异质图表示学习算法433.4.1 概述433.4.2 异质图中的关系结构特征分析443.4.3 RHINE 模型473.4.4 实验483.5 网络模式保持的异质图表示学习算法513.5.1 概述513.5.2 NSHE 模型523.5.3 实验553.6 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614.1 简介614.2 基于层次注意力机制的异质图神经网络624.2.1 概述624.2.2 HAN 模型634.2.3 实验664.3 异质图传播网络704.3.1 概述704.3.2 语义混淆分析714.3.3 HPN 模型734.3.4 实验764.4 异质图结构学习774.4.1 概述774.4.2 HGSL 模型784.4.3 实验824.5 本章小结84参考文献84第5 章动态异质图表示学习885.1 简介885.2 增量学习895.2.1 概述895.2.2 DyHNE 模型895.2.3 实验955.3 时序信息995.3.1 概述995.3.2 SHCF 模型1005.3.3 实验1035.4 时序交互1055.4.1 概述1055.4.2 THIGE 模型1065.4.3 实验1105.5 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1166.1 简介1166.2 对抗学习1176.2.1 概述1176.2.2 HeGAN 模型1186.2.3 实验1216.3 重要性采样1226.3.1 概述1226.3.2 HeteSamp 模型1236.3.3 实验1276.4 双曲空间表示1306.4.1 概述1306.4.2 HHNE 模型1306.4.3 实验1326.5 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1407.1 简介1407.2 TopN推荐1417.2.1 概述1417.2.2 MCRec 模型1427.2.3 实验1457.3 冷启动推荐1487.3.1 概述1487.3.2 MetaHIN 模型1497.3.3 实验1537.4 作者集识别1567.4.1 概述1567.4.2 ASI 模型1577.4.3 实验1627.5 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1688.1 简介1688.2 短文本分类1698.2.1 概述1698.2.2 短文本异质图建模1698.2.3 HGAT 模型1718.2.4 实验1738.3 融合长短期兴趣建模的新闻推荐1768.3.1 概述1768.3.2 问题形式化1778.3.3 GNewsRec 模型1778.3.4 实验1828.4 偏好解耦的新闻推荐系统1848.4.1 概述1848.4.2 GNUD 模型1858.4.3 实验1888.5 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1959.1 简介1959.2 套现用户检测1969.2.1 概述1969.2.2 预备知识1969.2.3 HACUD 模型1979.2.4 实验2009.3 意图推荐2029.3.1 概述2029.3.2 问题形式化2039.3.3 MEIRec 模型2049.3.4 实验2079.4 分享推荐2099.4.1 概述2099.4.2 问题形式化2109.4.3 HGSRec 模型2109.4.4 实验2149.5 好友增强推荐2179.5.1 概述2179.5.2 预备知识2189.5.3 SIAN 模型2199.5.4 实验2229.6 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23010.1 简介23010.2 基础平台23110.2.1 深度学习平台23110.2.2 图机器学习平台23410.2.3 异质图表示学习平台23610.3 异质图表示学习实践23710.3.1 构建数据集23710.3.2 构建Trainerflow 24110.3.3 HAN 实践24310.3.4 RGCN 实践24610.3.5 HERec 实践24810.4 本章小结250参考文献250第11 章未来研究方向25211.1 简介25211.2 保持异质图结构25311.3 捕获异质图特性25311.4 异质图上的图深度学习25411.5 异质图表示方法的可靠性25411.6 更多的现实应用25511.7 其他255参考文献256