幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

基於預訓練語言模型的文本屬性圖表示學習及應用/信息科學技術前沿叢書

  • 作者：李朝卓//許傑//郭三川|責編:孫宏穎
  • 出版社：北京郵電大學
  • ISBN：9787563575572
  • 出版日期：2025/06/01
  • 裝幀：平裝
  • 頁數：161
人民幣：RMB 58 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    文本屬性圖廣泛分佈于諸多應用場景之中，其核心挑戰在於如何巧妙地融合節點的文本語義特性與圖結構的拓撲信息，從而強化節點的表徵學習能力，實現高效且精準的學習範式。為應對這一挑戰，本書從多個維度對文本屬性圖進行了綜合性的研究探討，包括文本屬性圖綜合性研究；基準測試與深度思考、細粒度融合節點文本屬性的圖表示學習、文本屬性圖上的半監督表示學習、低內存佔用的文本屬性圖表示學習、GNN-LM緊耦合的文本屬性圖表示學習、基於變分推斷的大規模文本屬性圖上的表示學習、基於高頻感知分層對比選擇性編碼的文本屬性圖表示學習、基於文本屬性圖表示學習的搜索廣告系統、基於拓撲驅動語言模型預訓練的推薦系統、基於文本屬性圖表示學習的社交網路對齊等多方面的研究。這些研究不僅深化了我們對文本數據與圖結構融合的理解，也為相關領域的實踐提供了堅實的理論基礎和豐富的案例指導。
    本書旨在為對圖神經網路感興趣或正在從事相關領域研究與實踐的廣大讀者提供全面而深入的指導。同時，本書也可作為撰寫學術論文或進行課題研究的參考書籍，可為學術研究和實際應用提供有力的支持。
作者介紹
李朝卓//許傑//郭三川|責編:孫宏穎
目錄
第1章  緒論
  1.1  研究背景與研究意義
  1.2  相關工作
  1.3  主要挑戰
  1.4  本書的主要貢獻
第2章  文本屬性圖綜合性研究：基準測試與深度思考
  2.1  引言
  2.2  相關工作
  2.3  CS-TAG：文本屬性圖上數據集與基準測試
    2.3.1  CS-TAG概述
    2.3.2  數據集構造
    2.3.3  文本屬性圖上傳統學習範式
    2.3.4  語言模型上拓撲預訓練
  2.4  實驗部分
    2.4.1  屬性靜態建模對GNN的影響
    2.4.2  協同訓練範式分析
    2.4.3  基於PLM的方法與基於GNN的方法的比較
    2.4.4  拓撲預訓練方法的有效性分析
  2.5  討論
  2.6  總結與展望
第3章  細粒度融合節點文本屬性的圖表示學習
  3.1  引言
  3.2  融合節點屬性的圖表示學習模型
    3.2.1  問題定義
    3.2.2  模型框架
    3.2.3  基於拓撲結構的目標函數
    3.2.4  基於節點屬性的目標函數
    3.2.5  聯合優化演算法
    3.2.6  討論
  3.3  實驗
    3.3.1  數據集介紹
    3.3.2  對比方法
    3.3.3  節點分類
    3.3.4  鏈接預測
  3.4  本章小結
第4章  文本屬性圖上的半監督表示學習
  4.1  引言
  4.2  半監督的圖表示學習模型
    4.2.1  問題定義
    4.2.2  模型框架
    4.2.3  順序敏感的圖表示學習模型
    4.2.4  半監督的圖表示學習模型
  4.3  實驗
    4.3.1  數據集介紹
    4.3.2  對比方法
    4.3.3  網路重構
    4.3.4  節點分類
    4.3.5  鏈接預測
    4.3.6  參數敏感性分析
  4.4  本章小結

第5章  低內存佔用的文本屬性圖表示學習
  5.1  引言
  5.2  低內存佔用的圖表示學習
    5.2.1  問題定義
    5.2.2  基於預訓練特徵的多熱點圖表示學習
    5.2.3  端到端的多熱點圖表示學習
  5.3  實驗
    5.3.1  數據集介紹
    5.3.2  對比方法
    5.3.3  基於預訓練特徵的多熱點圖表示學習
    5.3.4  端到端的多熱點圖表示學習
  5.4  本章小結
第6章  GNN-LM緊耦合的文本屬性圖表示學習
  6.1  引言
  6.2  相關工作
  6.3  GraphFormers
    6.3.1  GNN-nested Transformers
    6.3.2  模型簡化：單向圖聚合
    6.3.3  模型訓練：兩階段漸進式學習
  6.4  實驗
    6.4.1  實驗數據和設置
    6.4.2  基線方法
    6.4.3  整體實驗評估
    6.4.4  消融實驗
    6.4.5  效率分析
    6.4.6  在Bing搜索中的線上A/B實驗
  6.5  本章小結
第7章  基於變分推斷的大規模文本屬性圖上的表示學習
  7.1  引言
  7.2  相關工作
  7.3  背景
    7.3.1  文本屬性圖
    7.3.2  基於語言模型的節點分類方法
    7.3.3  基於圖神經網路的節點分類方法
  7.4  模型框架
    7.4.1  偽似然函數變分框架
    7.4.2  參數化技術
    7.4.3  期望估計步：語言模型優化
    7.4.4  期望最大化步：圖神經網路優化
  7.5  實驗
    7.5.1  實驗設置
    7.5.2  直推式節點分類
    7.5.3  無結構的歸納式節點分類
    7.5.4  訓練範式對比
    7.5.5  收斂性分析
  7.6  本章小結
第8章  基於高頻感知分層對比選擇性編碼的文本屬性圖表示學習
  8.1  引言
  8.2  相關工作
    8.2.1  文本屬性圖上的表示學習

    8.2.2  對比學習
  8.3  預備知識
    8.3.1  定義（文本屬性圖）
    8.3.2  問題陳述
    8.3.3  高頻感知頻譜對比損失
  8.4  方法
    8.4.1  概述
    8.4.2  基於文本屬性圖的分層對比學習
  8.5  實驗
    8.5.1  實驗設置
    8.5.2  整體比較
    8.5.3  消融實驗
    8.5.4  效率分析
  8.6  本章小結
第9章  基於文本屬性圖表示學習的搜索廣告系統
  9.1  引言
  9.2  背景定義
    9.2.1  問題定義
    9.2.2  超圖
  9.3  方法
    9.3.1  整體架構
    9.3.2  異構超圖的構建
    9.3.3  異構文本超圖Transformer
    9.3.4  相關性模塊
    9.3.5  目標函數
  9.4  實驗
    9.4.1  實驗設置
    9.4.2  主要結果
    9.4.3  消融實驗
    9.4.4  冷啟動場景下的效果
    9.4.5  模型效率分析
  9.5  本章小結
第10章  基於拓撲驅動語言模型預訓練的推薦系統
  10.1  引言
  10.2  方法
    10.2.1  拓撲驅動的語言模型預訓練
    10.2.2  基於語義的圖豐富化
    10.2.3  多通道共同訓練模塊
    10.2.4  多通道聚合與對比學習
    10.2.5  訓練目標函數
  10.3  實驗
    10.3.1  離線實驗結果
    10.3.2  在線實驗結果
    10.3.3  消融研究
  10.4  本章小結
第11章  基於文本屬性圖表示學習的社交網路對齊
  11.1  引言
  11.2  基於圖表示學習的社交網路對齊
    11.2.1  準備知識
    11.2.2  問題定義

    11.2.3  映射函數
    11.2.4  單向映射模型SNNAa
    11.2.5  雙向映射模型SNNAb
    11.2.6  正交映射模型SNNAc
  11.3  實驗
    11.3.1  數據集介紹
    11.3.2  數據預處理
    11.3.3  對比方法
    11.3.4  實驗結果
    11.3.5  模型訓練過程分析
  11.4  本章小結
第12章  結語
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032