目錄
序
前言
第一部分 概況
第1章 引言
1.1 基本概念和定義
1.2 圖表示學習
1.3 異質圖表示學習及其挑戰
1.4 本書的組織結構
參考文獻
第2章 異質圖表示方法的最新進展
2.1 方法分類
2.1.1 結構保持的異質圖表示
2.1.2 屬性輔助的異質圖表示
2.1.3 動態異質圖表示
2.1.4 面嚮應用的異質圖表示
2.2 技術總結
2.2.1 淺層模型
2.2.2 深度模型
2.3 開源資料
2.3.1 基準數據集
2.3.2 開源代碼
2.3.3 可用工具
參考文獻
第二部分 技術篇
第3章 結構保持的異質圖表示學習
3.1 簡介
3.2 基於元路徑的隨機遊走
3.2.1 概述
3.2.2 HERec模型
3.2.3 實驗
3.3 基於元路徑的分解
3.3.1 概述
3.3.2 NeuACF模型
3.3.3 實驗
3.4 關係結構感知的異質圖表示學習演算法
3.4.1 概述
3.4.2 異質圖中的關係結構特徵分析
3.4.3 RHINE模型
3.4.4 實驗
3.5 網路模式保持的異質圖表示學習演算法
3.5.1 概述
3.5.2 NSHE模型
3.5.3 實驗
3.6 本章小結
參考文獻
第4章 屬性輔助的異質圖表示學習
4.1 簡介
4.2 基於層次注意力機制的異質圖神經網路
4.2.1 概述
4.2.2 HAN模型
4.2.3 實驗
4.3 異質圖傳播網路
4.3.1 概述
4.3.2 語義混淆分析
4.3.3 HPN模型
4.3.4 實驗
4.4 異質圖結構學習
4.4.1 概述
4.4.2 HGSL模型
4.4.3 實驗
4.5 本章小結
參考文獻
第5章 動態異質圖表示學習
5.1 簡介
5.2 增量學習
5.2.1 概述
5.2.2 DyHNE模型
5.2.3 實驗
5.3 時序信息
5.3.1 概述
5.3.2 SHCF模型
5.3.3 實驗
5.4 時序交互
5.4.1 概述
5.4.2 THIGE模型
5.4.3 實驗
5.5 本章小結
參考文獻
第6章 異質圖表示學習的新興主題
6.1 簡介
6.2 對抗學習
6.2.1 概述
6.2.2 HeGAN模型
6.2.3 實驗
6.3 重要性採樣
6.3.1 概述
6.3.2 HeteSamp模型
6.3.3 實驗
6.4 雙曲空間表示
6.4.1 概述
6.4.2 HHNE模型
6.4.3 實驗
6.5 本章小結
參考文獻
第三部分 應用篇
第7章 基於異質圖表示學習的推薦
7.1 簡介
7.2 TopN推薦
7.2.1 概述
7.2.2 MCRec 模型
7.2.3 實驗
7.3 冷啟動推薦
7.3.1 概述
7.3.2 MetaHIN模型
7.3.3 實驗
7.4 作者集識別
7.4.1 概述
7.4.2 ASI 模型
7.4.3 實驗
7.5 本章小結
參考文獻
第8章 基於異質圖表示學習的文本挖掘
8.1 簡介
8.2 短文本分類
8.2.1 概述
8.2.2 短文本異質圖建模
8.2.3 HGAT模型
8.2.4 實驗
8.3 融合長短期興趣建模的新聞推薦
8.3.1 概述
8.3.2 問題形式化
8.3.3 GNewsRec模型
8.3.4 實驗
8.4 偏好解耦的新聞推薦系統
8.4.1 概述
8.4.2 GNUD模型
8.4.3 實驗
8.5 本章小結
參考文獻
第9章 基於異質圖表示學習的工業應用
9.1 簡介
9.2 套現用戶檢測
9.2.1 概述
9.2.2 預備知識
9.2.3 HACUD模型
9.2.4 實驗
9.3 意圖推薦
9.3.1 概述
9.3.2 問題形式化
9.3.3 MEIRec模型
9.3.4 實驗
9.4 分享推薦
9.4.1 概述
9.4.2 問題形式化
9.4.3 HGSRec模型
9.4.4 實驗
9.5 好友增強推薦
9.5.1 概述
9.5.2 預備知識
9.5.3 SIAN模型
9.5.4 實驗
9.6 本章小結
參考文獻
第四部分 平台篇
第10章 異質圖表示學習平台與實踐
10.1 簡介
10.2 基礎平台
10.2.1 深度學習平台
10.2.2 圖機器學習平台
10.2.3 異質圖表示學習平台
10.3 異質圖表示學習實踐
10.3.1 構建數據集
10.3.2 構建Trainerflow
10.3.3 HAN實踐
10.3.4 RGCN實踐
10.3.5 HERec實踐
10.4 本章小結
參考文獻
第11章 未來研究方向
11.1 簡介
11.2 保持異質圖結構
11.3 捕獲異質圖特性
11.4 異質圖上的圖深度學習
11.5 異質圖表示方法的可靠性
11.6 更多的現實應用
11.7 其他
參考文獻
[