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:
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。