圖計算與推薦系統

推薦序一
推薦序二
推薦序三
前言
第一篇 圖資料與圖模型
第1章 圖資料基礎               2
1.1 數學基礎                2
1.2 圖的基本知識                     4
1.2.1.什麼是圖                4
1.2.2.圖中基本元素及定義          5
1.3 圖的表示方法                   10
1.3.1.圖的代數表示            11
1.3.2.圖的遍歷                   13
1.4 圖資料及圖神經網路              14  
1.4.1.圖資料的性質            14
1.4.2.圖資料應用               15
1.4.3.圖神經網路的發展史        16
1.5 本章小結                          17
第2章 圖神經網路基礎             18
2.1 神經網路的基本知識              18
2.1.1.神經元                 19
2.1.2.前饋神經網路            22
2.1.3.反向傳播                   23
2.2 卷積神經網路                   24
2.2.1.卷積神經網路基本概念和特點                 25
2.2.2.卷積神經網路模型           29
2.3 迴圈神經網路                   30
2.3.1.迴圈神經網路結構和特點                    31
2.3.2.迴圈神經網路模型           35
2.4 圖神經網路                       36
2.4.1.圖神經網路綜述         36
2.4.2.卷積圖神經網路         41
2.4.3.循環圖表神經網路         42
2.5 本章小結                          44
第3章 知識圖譜基礎                 46
3.1 知識圖譜的定義和模型           46
3.1.1.知識圖譜定義            47
3.1.2.知識圖譜嵌入            48
3.1.3.距離變換模型            51
3.1.4.語義匹配模型            53
3.2 知識圖譜上的神經網路           55
3.2.1.關係圖卷積網路         55
3.2.2.知識圖譜與注意力模型      55
3.3 本章小結                          59

第二篇 推薦系統
第4章 推薦系統架構                 62
4.1 推薦系統的邏輯架構              62
4.2 推薦系統的技術架構              67
4.3 推薦系統的資料和模型部分         69
4.3.1.推薦系統中的資料平臺建設                    69
4.3.2.推薦系統中的資料採擷方法                    73
4.3.3.推薦系統模型            76
4.4 推薦系統的評估               81
4.4.1.推薦系統的評估實驗方法                    89
4.4.2.離線評估                   89
4.4.3.線上評估                   92
4.5 基於GNN的推薦系統架構          94
4.6 本章小結                          96
第5章  基於GNN的推薦系統構建基礎                      97
5.1 關於嵌入                          97
5.2 Word2Vec                        102
5.2.1.哈夫曼樹與哈夫曼編碼     103
5.2.2.基於Hierarchical Softmax的CBOW模型             104
5.2.3.基於Hierarchical Softmax的Skip-gram模型           107
5.3 Item2Vec                         109
5.4 圖嵌入                       111
5.4.1.DeepWalk演算法         112
5.4.2.Line演算法                 113
5.4.3.Node2Vec演算法         115
5.5 本章小結                       117
第6章 基於圖的推薦演算法         118
6.1 基於圖的召回演算法                 118
6.1.1.從協同過濾到GCMC     118
6.1.2.召回階段的深度學習演算法                   121
6.1.3.圖召回的方法           129
6.2 基於圖的排序演算法                 141
6.2.1.基於特徵交互建模——GraphFM模型          142
6.2.2.基於顯式關係建模——
GMT模型                145
6.3 本章小結                       150
第7章 知識圖譜與推薦系統          151
7.1 利用圖譜建模                  151
7.1.1.RippleNet模型         152
7.1.2.KGAT模型              155
7.2 圖譜建模與物品推薦關聯學習     159
7.2.1.KTUP模型              159
7.2.2.MKR模型               161
7.3 物品增強學習                  164
7.3.1.DKN模型                164
7.3.2.KRED模型              166
7.4 增強可解釋性                  169
7.4.1.KPRN模型              170
7.4.2.PGPR模型               171
7.5 本章小結                         175
第8章  推薦系統的熱點問題和研究方向                  176
8.1 推薦系統的熱點問題             176
8.1.1.多來源資料融合           177
8.1.2.冷開機                178
8.1.3.可解釋性                  183
8.1.4.探索和利用              184
8.1.5.繭房效應                  188
8.1.6.用戶隱私                  189
8.1.7.評估問題                  190
8.2 推薦系統研究方向                 190
8.2.1.推薦中的圖神經網路       192
8.2.2.推薦中的強化學習          193
8.2.3.因果推薦                  200
8.3 本章小結                         202
第9章 推薦系統實踐                203
9.1 工業級系統架構               203
9.1.1.工業級推薦系統的特點     204
9.1.2.推薦系統的常見架構       205
9.1.3.工業級基於圖神經網路的
推薦系統                  207
9.2  工業級推薦系統問題及解決辦法                           209
9.2.1.冷開機問題及解決辦法     209
9.2.2.模型問題及解決辦法       210
9.3 工業級推薦系統增長方案            212
9.3.1.召回                   212
9.3.2.排序                   215
9.4 本章小結                         218

劉 宇
資深AI技術專家和搜索與推薦領域專家，曾在多家互聯網公司擔任資深演算法專家、技術總監以及技術VP，現擔任某創業公司CTO。在人工智慧和資訊檢索領域有10餘年開發經驗，對主流的推薦、搜索、聊天機器人、大模型等技術、產品與解決方案都有深入研究，尤其擅長用簡單高效的方法解決公司的數智化問題。項目經驗豐富，曾成功主導多個電商演算法專案的落地和實施，參與完成多個推薦系統從0到1的搭建。曾在多家單位獲得個人開發優秀貢獻獎，帶領團隊多次獲得團隊優秀貢獻獎。著有《智慧搜索和推薦系統：原理、演算法與應用》《聊天機器人：入門、進階與實戰》，其中前者在2022年被某電商平臺評為“人工智慧領域最受讀者喜愛圖書ToP5”。