異質圖表示學習與應用 Heterogeneous Graph Representation Learning and Applications

本書旨在全面回顧異質圖表示學習的發展，並介紹其最新研究進展。
書中首先從方法和技術兩個角度總結了現有的工作，並介紹了該領域的一些公開資源。
然後分類詳細介紹了最新模型與應用。
最後討論了異質圖表示學習未來的研究方向，並總結了本書的內容。
全書分為四個部分，第一部分快速介紹整個領域，第二、三部分深入研究相關技術和應用，
第四部分介紹異質圖神經網絡算法平台，並討論未來研究方向。

本書不僅可以作為異質圖表示學習領域學術界和工業界的研究指南，
還可以作為相關領域學生的參考資料。

石川　
北京郵電大學計算機學院教授、博士研究生導師、智能通信軟件與多媒體北京市重點實驗室副主任。
主要研究方向: 數據挖掘、機器學習、人工智能和大數據分析。
近5年來以第一作者或通訊作者身份在CCF A類期刊和會議發表論文50餘篇，
出版中英文專著5部，授權發明專利20餘項，相關研究成果應用於阿里巴巴、騰訊、華為、美團等公司。
他曾獲得ADMA 2011/ ADMA 2018最佳論文獎和WWW 2019最佳論文候選。
其研究成果獲得省部級獎勵5項，包括CCF科學技術獎自然科學二等獎（第一）和吳文俊人工智能科技進步一等獎（第三）。
他入選了愛思唯爾高被引學者，並獲得了北京市高等學校“師德先鋒”和“青年英才”等稱號。

王嘯
北京郵電大學計算機學院副教授，清華大學計算機科學與技術系博士後。
在天津大學計算機科學與技術學院獲得博士學位，是聖路易斯華盛頓大學的聯合培養博士。
主要研究領域包括數據挖掘、機器學習、人工智能和大數據分析。
曾獲ACM中國新星提名獎，在數據挖掘領域的頂級期刊和會議（包括IEEE TKDE、KDD、NeurIPS、AAAI、IJCAI、WWW）
發表論文80 餘篇，並多次獲得（或提名）相關會議最佳論文。
擔任WWW、AAAI、KDD等會議SPC/PC 成員，以及IEEE TKDE等期刊的評審員。

俞士綸（Philip S. Yu ）
美國伊利諾伊大學芝加哥分校（UIC）計算機科學系傑出教授，也是信息與技術領域的講席教授（Wexler Chair），
美國計算機學會（ACM）及美國電氣電子工程師學會（IEEE）會士，清華大學數據科學研究院院長、清華大學特聘教授。
主要研究領域包括大數據、數據挖掘（尤其是圖或網絡挖掘）、
社交網絡、隱私保護數據發布、數據流、數據庫系統以及互聯網應用和技術。
發表論文1300餘篇，被引超過14.9萬次，H因子高達176。
他曾於美國IBM Watson研究中心工作多年，創建了世界知名的數據挖掘及數據管理部，擁有300多項專利。
作為國際數據庫和數據挖掘等領域的先驅之一，
以及國際數據挖掘和數據管理領域的頂尖學者，他在專業領域做出了諸多奠基性工作。

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 異質圖表示學習及其挑戰5
1.4 本書的組織結構6
參考文獻6
第2 章異質圖表示方法的最新進展9
2.1 方法分類9
2.1.1 結構保持的異質圖表示9
2.1.2 屬性輔助的異質圖表示11
2.1.3 動態異質圖表示12
2.1.4 面向應用的異質圖表示12
2.2 技術總結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 基準數據集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 章結構保持的異質圖表示學習26
3.1 簡介26
3.2 基於元路徑的隨機遊走27
3.2.1 概述27
3.2.2 HERec 模型27
3.2.3 實驗31
3.3 基於元路徑的分解34
3.3.1 概述34
3.3.2 NeuACF 模型35
3.3.3 實驗38
3.4 關係結構感知的異質圖表示學習算法43
3.4.1 概述43
3.4.2 異質圖中的關係結構特徵分析44
3.4.3 RHINE 模型47
3.4.4 實驗48
3.5 網絡模式保持的異質圖表示學習算法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56
參考文獻57
第4 章屬性輔助的異質圖表示學習61
4.1 簡介61
4.2 基於層次注意力機制的異質圖神經網絡62
4.2.1 概述62
4.2.2 HAN 模型63
4.2.3 實驗66
4.3 異質圖傳播網絡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 異質圖結構學習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84
參考文獻84
第5 章動態異質圖表示學習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111
參考文獻112
第6 章異質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 重要性採樣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135
參考文獻135
第三部分應用篇
第7 章基於異質圖表示學習的推薦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164
參考文獻164
第8 章基於異質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190
參考文獻191
第9 章基於異質圖表示學習的工業應用195
9.1 簡介195
9.2 套現用戶檢測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226
參考文獻226
第四部分平台篇
第10 章異質圖表示學習平台與實踐230
10.1 簡介230
10.2 基礎平台231
10.2.1 深度學習平台231
10.2.2 圖機器學習平台234
10.2.3 異質圖表示學習平台236
10.3 異質圖表示學習實踐237
10.3.1 構建數據集237
10.3.2 構建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 保持異質圖結構253
11.3 捕獲異質圖特性253
11.4 異質圖上的圖深度學習254
11.5 異質圖表示方法的可靠性254
11.6 更多的現實應用255
11.7 其他255
參考文獻256