书籍推荐 | 全球首本《异质图表示学习与应用》

韩家炜教授作序，多位学界和产业界大牛一致推荐，三位领域专家多年研究成果总结，全球首本介绍异质图表示学习及其应用的图书，含具体实例及代码实现。

异质图中的表示学习旨在为每个节点提供有意义的向量表示，以便于下游应用，例如链路预测、个性化推荐和节点分类等。然而，这些任务是具有挑战性的，因为这不仅需要纳入由多种类型的节点和边组成的异质结构（图）信息，还需要考虑与每个节点相关的异质属性或内容类型（例如，文本或图像）。尽管同质（和异质）图嵌入、属性图嵌入和图神经网络方面已经取得了相当大的进展，但这些成果还是很少能够同时有效地考虑每个节点的异质结构（图）信息以及异质内容信息。

作为第一本总结异质图表示学习相关知识的图书，本书对异质图表示学习的当前发展和前沿研究进行了全面的总结。更重要的是，本书介绍了这一领域时下的新进展，包括已在顶级学术会议（如TKDE、KDD、WWW、IJCAI和AAAI等）和期刊上发表的理论模型与实际应用。要想更好地学习本书中的知识，读者需要对计算机科学、数据挖掘和机器学习相关知识有基本的了解。

本书目标如下：

• 帮助研究人员理解基本问题，并为他们在这一迅速发展的领域开展工作提供良好的起点。
• 介绍将异质图应用于真实系统建模和学习交互系统结构特征的新研究。

01 内容简介

本书分为四个部分，第一部分简要介绍整个领域，第二、三部分深入研究相关技术和应用，第四部分介绍一个异质图神经网络算法平台，并探索未来方向。

在第一部分中，我们首先从不同方面概述最近的异质图表示学习方法，同时总结一些公开资料，可以为这一领域的未来研究和应用提供便利。这一部分将帮助读者迅速了解这个领域的整体发展。具体来说，在第1章，我们将介绍基本概念和定义，以及同质和异质图表示学习的背景，第2章介绍方法分类和公开资料。

在第二部分中，我们将对有代表性的异质图表示学习技术进行深入而详细的介绍。这一部分将帮助读者了解这个领域的基本问题，并阐明如何为这些问题设计最优的异质图表示学习方法。在第3章中，我们将讨论结构保持的异质图表示学习方法，包括元路径结构和网络模式结构。第4章介绍带属性的异质图表示学习方法，集中介绍异质图神经网络。之后，我们将在第5章中介绍动态异质图表示学习方法，这些方法考虑了增量学习、时序信息和时序交互。在第6章中，我们将讨论异质图表示学习的一些新兴话题，包括对抗学习、重要性采样和双曲空间表示学习。

在第三部分中，我们将总结异质图表示学习在现实中的应用。读者在这一部分可以了解异质图表示学习的成功应用，以及将先进的技术应用于现实场景的方法。在第7章中，我们会展示异质图表示学习是如何改进不同推荐系统的，例如Top-N推荐、冷启动推荐和作者集识别。第8章介绍文本挖掘的应用，重点是短文本分类和新闻推荐场景。在第9章中，我们将介绍异质图表示学习在工业界的应用，例如套现用户检测、意向推荐、分享推荐和好友增强推荐。

在第四部分中，我们将介绍一个异质图表示学习的计算平台，并对本书进行总结。考虑到深度学习平台的重要性，在第10章中，我们将介绍图机器学习的基础平台，特别是我们研发的异质图神经网络算法开源平台OpenHGNN。同时，我们以三个代表性的异质图神经网络为例，展示如何使用该平台。最后，我们在第11章讨论未来的研究方向和尚未解决的问题。

本书不仅可以作为异质图表示学习领域学术界和工业界的研究指南，还可以作为相关领域学生的参考资料。

02 作者简介

石川

北京邮电大学计算机学院教授、博士研究生导师、智能通信软件与多媒体北京市重点实验室副主任。

王啸

北京邮电大学计算机学院副教授，清华大学计算机科学与技术系博士后。

俞士纶（Philip S. Yu）

美国伊利诺伊大学芝加哥分校（UIC）计算机科学系杰出教授，也是信息与技术领域的讲席教授（Wexler Chair），美国计算机学会（ACM）及美国电气电子工程师学会（IEEE）会士，清华大学数据科学研究院院长、清华大学特聘教授。