包邮图计算与推荐系统

Contents..目　　录
推荐序一
推荐序二
推荐序三
前言
**篇 图数据与图模型
第1章 图数据基础 2
1.1 数学基础 2
1.2 图的基本知识 4
1.2.1.什么是图 4
1.2.2.图中基本元素及定义 5
1.3 图的表示方法 10
1.3.1.图的代数表示 11
1.3.2.图的遍历 13
1.4 图数据及图神经网络 14
1.4.1.图数据的性质 14
1.4.2.图数据应用 15
1.4.3.图神经网络的发展史 16
1.5 本章小结 17
第2章 图神经网络基础 18
2.1 神经网络的基本知识 18
2.1.1.神经元 19
2.1.2.前馈神经网络 22
2.1.3.反向传播 23
2.2 卷积神经网络 24
2.2.1.卷积神经网络基本概念
和特点 25
2.2.2.卷积神经网络模型 29
2.3 循环神经网络 30
2.3.1.循环神经网络结构和
特点 31
2.3.2.循环神经网络模型 35
2.4 图神经网络 36
2.4.1.图神经网络综述 36
2.4.2.卷积图神经网络 41
2.4.3.循环图神经网络 42
2.5 本章小结 44
第3章 知识图谱基础 46
3.1 知识图谱的定义和模型 46
3.1.1.知识图谱定义 47
3.1.2.知识图谱嵌入 48
3.1.3.距离变换模型 51
3.1.4.语义匹配模型 53
3.2 知识图谱上的神经网络 55
3.2.1.关系图卷积网络 55
3.2.2.知识图谱与注意力模型 55
3.3 本章小结 59
第二篇 推荐系统
第4章 推荐系统架构 62
4.1 推荐系统的逻辑架构 62
4.2 推荐系统的技术架构 67
4.3 推荐系统的数据和模型部分 69
4.3.1.推荐系统中的数据平台
建设 69
4.3.2.推荐系统中的数据挖掘
方法 73
4.3.3.推荐系统模型 76
4.4 推荐系统的评估 81
4.4.1.推荐系统的评估实验
方法 89
4.4.2.离线评估 89
4.4.3.在线评估 92
4.5 基于GNN的推荐系统架构 94
4.6 本章小结 96
第5章 基于GNN的推荐系统构
建基础 97
5.1 关于嵌入 97
5.2 Word2Vec 102
5.2.1.哈夫曼树与哈夫曼编码 103
5.2.2.基于Hierarchical Softmax的CBOW模型 104
5.2.3.基于Hierarchical Softmax
的Skip-gram模型 107
5.3 Item2Vec 109
5.4 图嵌入 111
5.4.1.DeepWalk算法 112
5.4.2.Line算法 113
5.4.3.Node2Vec算法 115
5.5 本章小结 117
第6章 基于图的推荐算法 118
6.1 基于图的召回算法 118
6.1.1.从协同过滤到GCMC 118
6.1.2.召回阶段的深度学习
算法 121
6.1.3.图召回的方法 129
6.2 基于图的排序算法 141
6.2.1.基于特征交互建模——GraphFM模型 142
6.2.2.基于显式关系建模——
GMT模型 145
6.3 本章小结 150
第7章 知识图谱与推荐系统 151
7.1 利用图谱建模 151
7.1.1.RippleNet模型 152
7.1.2.KGAT模型 155
7.2 图谱建模与物品推荐关联学习 159
7.2.1.KTUP模型 159
7.2.2.MKR模型 161
7.3 物品增强学习 164
7.3.1.DKN模型 164
7.3.2.KRED模型 166
7.4 增强可解释性 169
7.4.1.KPRN模型 170
7.4.2.PGPR模型 171
7.5 本章小结 175
第8章 推荐系统的热点问题和
研究方向 176
8.1 推荐系统的热点问题 176
8.1.1.多源数据融合 177
8.1.2.冷启动 178
8.1.3.可解释性 183
8.1.4.探索和利用 184
8.1.5.茧房效应 188
8.1.6.用户隐私 189
8.1.7.评估问题 190
8.2 推荐系统研究方向 190
8.2.1.推荐中的图神经网络 192
8.2.2.推荐中的强化学习 193
8.2.3.因果推荐 200
8.3 本章小结 202
第9章 推荐系统实践 203
9.1 工业级系统架构 203
9.1.1.工业级推荐系统的特点 204
9.1.2.推荐系统的常见架构 205
9.1.3.工业级基于图神经网络的
推荐系统 207
9.2 工业级推荐系统问题及解决
办法 209
9.2.1.冷启动问题及解决办法 209
9.2.2.模型问题及解决办法 210
9.3 工业级推荐系统增长方案 212
9.3.1.召回 212
9.3.2.排序 215
9.4 本章小结 218