本书主要介绍如何学习网络中的节点表征，并将其应用到推荐系统中，重点研究了推荐系统中的三种各具代表性的网络：用户产品交互的二分图，用户端的社交网络，产品端的知识图谱。本书系统性地研究了三种网络的建模，提出了针对不同种类的网络在多个层面将网络信息和推荐系统进行结合的解决方案。这些解决方案获得了学术界的广泛关注，有些方案已经在实际的工业场景中落地，具有很强的学术和产业价值。
本书能够对推荐系统领域起到一些引领作用，并对图机器学习领域的研究人员提供更多应用方向的启发。

王鸿伟，伊利诺伊大学厄巴纳-香槟分校博士后。2014年本科毕业于上海交通大学ACM班，2018年于上海交通大学取得计算机科学博士学位，曾于2019-2021年在斯坦福大学计算机科学系从事博士后研究。研究兴趣为机器学习和数据挖掘在图领域的应用，包括图表征学习、知识图谱、推荐系统等。在国际顶级期刊上发表了20余篇论文，曾获得2018年谷歌博士生奖研金和2020年中国计算机学会优秀博士学位论文奖。

丛书序
导师序
摘要
ABSTRACT
第1章 绪论
1.1 课题背景及意义
1.2 推荐系统概述
1.2.1 传统推荐系统方法分类
1.2.2 推荐系统最新的研究热点和方向
1.3 网络特征学习概述
1.3.1 背景介绍
1.3.2 输入网络的种类
1.3.3 输出特征的种类
1.3.4 典型方法
1.4 本文研究内容及结构安排
第2章 应用于推荐系统交互图的网络特征学习方法
2.1 引言
2.2 生成对抗式的网络特征学习
2.2.1 GraphGAN模型框架
2.2.2 判别器和生成器的实现与训练
2.3 网络结构感知的归一化指数函数
2.3.1 graph softmax的设计
2.3.2 性质证明
2.3.3 生成策略
2.3.4 复杂度分析
2.4 性能验证
2.4.1 实验准备工作
2.4.2 实证研究
2.4.3 实验结果
2.4.4 超参数敏感性
2.5 本章小结
第3章 社交网络辅助的推荐系统——基于特征的方法
3.1 引言
3.2 数据集构建
3.3 有符号异构网络特征学习
3.3.1 情感符号预测的问题描述
3.3.2 有符号异构网络特征学习模型
3.3.3 相关讨论
3.4 性能验证
3.4.1 实验准备工作
3.4.2 实验结果
3.4.3 超参数敏感性
3.5 本章小结
第4章 社交网络辅助的推荐系统——基于结构的方法
4.1 引言
4.2 背景知识和数据集分析
4.2.1 背景知识
4.2.2 数据集分析
4.3 社交-话题-语义感知的微博投票推荐方法
4.3.1 微博投票推荐的问题描述
4.3.2 话题感知的词向量学习
4.3.3 投票推荐算法
4.4 性能验证
4.4.1 实验准备工作
4.4.2 实验结果
4.4.3 超参数敏感性
4.5 本章小结
第5章 知识图谱辅助的推荐系统——基于特征的方法
5.1 引言
5.2 预备知识
5.2.1 知识图谱特征学习
5.2.2 用于语句特征学习的卷积神经网络
5.3 知识图谱辅助的推荐系统的问题描述
5.4 依次学习法
5.4.1 知识提取
5.4.2 知识感知的卷积神经网络
5.4.3 基于注意力机制的用户历史兴趣聚合
5.5 交替学习法
5.5.1 多任务学习模型框架
5.5.2 交叉压缩单元、推荐系统模块和知识图谱特征学习模块
5.5.3 学习算法
5.5.4 理论分析
5.6 性能验证
5.6.1 数据集
5.6.2 基准方法
5.6.3 实验准备工作
5.6.4 依次训练法的实验结果
5.6.5 交替训练法的实验结果
5.7 本章小结
第6章 知识图谱辅助的推荐系统——基于结构的方法
6.1 引言
6.2 向外传播法
6.2.1 RippleNet模型框架
6.2.2 波纹集合
6.2.3 兴趣传播
6.2.4 学习算法
6.2.5 可解释性与干涉加强的讨论
6.3 向内聚合法
6.3.1 KGCN层
6.3.2 学习算法
6.3.3 知识图谱牵引力的讨论
6.4 性能验证
6.4.1 数据集
6.4.2 基准方法
6.4.3 实验准备工作
6.4.4 向外传播法的实验结果
6.4.5 向内聚合法的实验结果
6.5 本章小结
第7章 总结与展望
7.1 总结
7.2 课题研究展望
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的项目