本書主要介紹如何學習網絡中的節點表征，并將其應用到推薦系統中，重點研究了推薦系統中的三種各具代表性的網絡：用戶產品交互的二分圖，用戶端的社交網絡，產品端的知識圖譜。本書系統性地研究了三種網絡的建模，提出了針對不同種類的網絡在多個層面將網絡信息和推薦系統進行結合的解決方案。這些解決方案獲得了學術界的廣泛關注，有些方案已經在實際的工業場景中落地，具有很強的學術和產業價值。
本書能夠對推薦系統領域起到一些引領作用，并對圖機器學習領域的研究人員提供更多應用方向的啟發。
叢書序
導師序
摘要
ABSTRACT
第1章 緒論
1.1 課題背景及意義
1.2 推薦系統概述
1.2.1 傳統推薦系統方法分類
1.2.2 推薦系統最新的研究熱點和方向
1.3 網絡特征學習概述
1.3.1 背景介紹
1.3.2 輸入網絡的種類
1.3.3 輸出特征的種類
1.3.4 典型方法
1.4 本文研究內容及結構安排
第2章 應用于推薦系統交互圖的網絡特征學習方法
2.1 引言
2.2 生成對抗式的網絡特征學習
2.2.1 GraphGAN 模型框架
2.2.2 判別器和生成器的實現與訓練
2.3 網絡結構感知的歸一化指數函數
2.3.1 graph softmax 的設計
2.3.2 性質證明
2.3.3 生成策略
2.3.4 復雜度分析
2.4 性能驗證
2.4.1 實驗準備工作
2.4.2 實證研究
2.4.3 實驗結果
2.4.4 超參數敏感性
2.5 本章小結
第3章 社交網絡輔助的推薦系統——基于特征的方法
3.1 引言
3.2 數據集構建
3.3 有符號異構網絡特征學習
3.3.1 情感符號預測的問題描述
3.3.2 有符號異構網絡特征學習模型
3.3.3 相關討論
3.4 性能驗證
3.4.1 實驗準備工作
3.4.2 實驗結果
3.4.3 超參數敏感性
3.5 本章小結
第4章 社交網絡輔助的推薦系統——基于結構的方法
4.1 引言
4.2 背景知識和數據集分析
4.2.1 背景知識
4.2.2 數據集分析
4.3 社交-話題-語義感知的微博投票推薦方法
4.3.1 微博投票推薦的問題描述
4.3.2 話題感知的詞向量學習
4.3.3 投票推薦算法
4.4 性能驗證
4.4.1 實驗準備工作
4.4.2 實驗結果
4.4.3 超參數敏感性
4.5 本章小結
第5章 知識圖譜輔助的推薦系統——基于特征的方法
5.1 引言
5.2 預備知識
5.2.1 知識圖譜特征學習
5.2.2 用于語句特征學習的卷積神經網絡
5.3 知識圖譜輔助的推薦系統的問題描述
5.4 依次學習法
5.4.1 知識提取
5.4.2 知識感知的卷積神經網絡
5.4.3 基于注意力機制的用戶歷史興趣聚合
5.5 交替學習法
5.5.1 多任務學習模型框架
5.5.2 交叉壓縮單元、推薦系統模塊和知識圖譜特征學習模塊
5.5.3 學習算法
5.5.4 理論分析
5.6 性能驗證
5.6.1 數據集
5.6.2 基準方法
5.6.3 實驗準備工作
5.6.4 依次訓練法的實驗結果
5.6.5 交替訓練法的實驗結果
5.7 本章小結
第6章 知識圖譜輔助的推薦系統——基于結構的方法
6.1 引言
6.2 向外傳播法
6.2.1 RippleNet 模型框架
6.2.2 波紋集合
6.2.3 興趣傳播
6.2.4 學習算法
6.2.5 可解釋性與干涉加強的討論
6.3 向內聚合法
6.3.1 KGCN 層
6.3.2 學習算法
6.3.3 知識圖譜牽引力的討論
6.4 性能驗證
6.4.1 數據集
6.4.2 基準方法
6.4.3 實驗準備工作
6.4.4 向外傳播法的實驗結果
6.4.5 向內聚合法的實驗結果
6.5 本章小結
第7章 總結與展望
7.1 總結
7.2 課題研究展望
參考文獻
致謝
攻讀學位期間發表的學術論文
攻讀學位期間參與的項目
新書資訊