異質(zhì)圖表示學習與應用

序
前言
第一部分 概況
第1 章引言2
1.1 基本概念和定義2
1.2 圖表示學習5
1.3 異質(zhì)圖表示學習及其挑戰(zhàn)5
1.4 本書的組織結(jié)構(gòu)6
參考文獻6
第2 章異質(zhì)圖表示方法的最新進展9
2.1 方法分類9
2.1.1 結(jié)構(gòu)保持的異質(zhì)圖表示9
2.1.2 屬性輔助的異質(zhì)圖表示11
2.1.3 動態(tài)異質(zhì)圖表示12
2.1.4 面向應用的異質(zhì)圖表示12
2.2 技術總結(jié)14
2.2.1 淺層模型14
2.2.2 深度模型14
2.3 開源資料15
2.3.1 基準數(shù)據(jù)集15
2.3.2 開源代碼16
2.3.3 可用工具16
參考文獻18
第二部分 技術篇
第3 章結(jié)構(gòu)保持的異質(zhì)圖表示學習26
3.1 簡介26
3.2 基于元路徑的隨機游走27
3.2.1 概述27
3.2.2 HERec 模型27
3.2.3 實驗31
3.3 基于元路徑的分解34
3.3.1 概述34
3.3.2 NeuACF 模型35
3.3.3 實驗38
3.4 關系結(jié)構(gòu)感知的異質(zhì)圖表示學習算法43
3.4.1 概述43
3.4.2 異質(zhì)圖中的關系結(jié)構(gòu)特征分析44
3.4.3 RHINE 模型47
3.4.4 實驗48
3.5 網(wǎng)絡模式保持的異質(zhì)圖表示學習算法51
3.5.1 概述51
3.5.2 NSHE 模型52
3.5.3 實驗55
3.6 本章小結(jié)56
參考文獻57
第4 章屬性輔助的異質(zhì)圖表示學習61
4.1 簡介61
4.2 基于層次注意力機制的異質(zhì)圖神經(jīng)網(wǎng)絡62
4.2.1 概述62
4.2.2 HAN 模型63
4.2.3 實驗66
4.3 異質(zhì)圖傳播網(wǎng)絡70
4.3.1 概述70
4.3.2 語義混淆分析71
4.3.3 HPN 模型73
4.3.4 實驗76
4.4 異質(zhì)圖結(jié)構(gòu)學習77
4.4.1 概述77
4.4.2 HGSL 模型78
4.4.3 實驗82
4.5 本章小結(jié)84
參考文獻84
第5 章動態(tài)異質(zhì)圖表示學習88
5.1 簡介88
5.2 增量學習89
5.2.1 概述89
5.2.2 DyHNE 模型89
5.2.3 實驗95
5.3 時序信息99
5.3.1 概述99
5.3.2 SHCF 模型100
5.3.3 實驗103
5.4 時序交互105
5.4.1 概述105
5.4.2 THIGE 模型106
5.4.3 實驗110
5.5 本章小結(jié)111
參考文獻112
第6 章異質(zhì)圖表示學習的新興主題116
6.1 簡介116
6.2 對抗學習117
6.2.1 概述117
6.2.2 HeGAN 模型118
6.2.3 實驗121
6.3 重要性采樣122
6.3.1 概述122
6.3.2 HeteSamp 模型123
6.3.3 實驗127
6.4 雙曲空間表示130
6.4.1 概述130
6.4.2 HHNE 模型130
6.4.3 實驗132
6.5 本章小結(jié)135
參考文獻135
第三部分 應用篇
第7 章基于異質(zhì)圖表示學習的推薦140
7.1 簡介140
7.2 TopN推薦141
7.2.1 概述141
7.2.2 MCRec 模型142
7.2.3 實驗145
7.3 冷啟動推薦148
7.3.1 概述148
7.3.2 MetaHIN 模型149
7.3.3 實驗153
7.4 作者集識別156
7.4.1 概述156
7.4.2 ASI 模型157
7.4.3 實驗162
7.5 本章小結(jié)164
參考文獻164
第8 章基于異質(zhì)圖表示學習的文本挖掘168
8.1 簡介168
8.2 短文本分類169
8.2.1 概述169
8.2.2 短文本異質(zhì)圖建模169
8.2.3 HGAT 模型171
8.2.4 實驗173
8.3 融合長短期興趣建模的新聞推薦176
8.3.1 概述176
8.3.2 問題形式化177
8.3.3 GNewsRec 模型177
8.3.4 實驗182
8.4 偏好解耦的新聞推薦系統(tǒng)184
8.4.1 概述184
8.4.2 GNUD 模型185
8.4.3 實驗188
8.5 本章小結(jié)190
參考文獻191
第9 章基于異質(zhì)圖表示學習的工業(yè)應用195
9.1 簡介195
9.2 套現(xiàn)用戶檢測196
9.2.1 概述196
9.2.2 預備知識196
9.2.3 HACUD 模型197
9.2.4 實驗200
9.3 意圖推薦202
9.3.1 概述202
9.3.2 問題形式化203
9.3.3 MEIRec 模型204
9.3.4 實驗207
9.4 分享推薦209
9.4.1 概述209
9.4.2 問題形式化210
9.4.3 HGSRec 模型210
9.4.4 實驗214
9.5 好友增強推薦217
9.5.1 概述217
9.5.2 預備知識218
9.5.3 SIAN 模型219
9.5.4 實驗222
9.6 本章小結(jié)226
參考文獻226
第四部分 平臺篇
第10 章異質(zhì)圖表示學習平臺與實踐230
10.1 簡介230
10.2 基礎平臺231
10.2.1 深度學習平臺231
10.2.2 圖機器學習平臺234
10.2.3 異質(zhì)圖表示學習平臺236
10.3 異質(zhì)圖表示學習實踐237
10.3.1 構(gòu)建數(shù)據(jù)集237
10.3.2 構(gòu)建Trainerflow 241
10.3.3 HAN 實踐243
10.3.4 RGCN 實踐246
10.3.5 HERec 實踐248
10.4 本章小結(jié)250
參考文獻250
第11 章未來研究方向252
11.1 簡介252
11.2 保持異質(zhì)圖結(jié)構(gòu)253
11.3 捕獲異質(zhì)圖特性253
11.4 異質(zhì)圖上的圖深度學習254
11.5 異質(zhì)圖表示方法的可靠性254
11.6 更多的現(xiàn)實應用255
11.7 其他255
參考文獻256