圖計算與推薦系統

劉宇，資深AI技術專家與搜尋與推薦領域專家，曾在多家網絡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。在人工智能和資訊檢索領域有10餘年開發經驗，對主流的推薦、搜尋、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。 專案經驗豐富，曾成功主導多個電商演算法專案的落地與實施，參與完成多個推薦系統從0到1的搭建。曾在多個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《智慧搜尋與推薦系統：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「人工智能領域最受讀者喜愛圖書TOP5」。

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
1.1 數學基礎
1.2 圖的基本知識
1.2.1 什麼是圖
1.2.2 圖中基本元素及定義
1.3 圖的表示方法
1.3.1 圖的代數表示
1.3.2 圖的遍歷
1.4 圖資料及圖神經網絡
1.4.1 圖資料的性質
1.4.2 圖資料應用
1.4.3 圖神經網絡的發展史
1.5 本章小結
第2章圖神經網絡基礎
2.1 神經網絡的基本知識
2.1.1 神經元
2.1.2 前饋神經網絡
2.1.3 反向傳播
2.2 捲積神經網絡
2.2.1 捲積神經網絡基本概念與特性
2.2.2 捲積神經網絡模型
2.3 循環神經網絡
2.3.1 循環神經網絡結構與特性
2.3.2 循環神經網絡模型
2.4 圖神經網絡
2.4.1 圖神經網絡綜述
2.4.2 捲積圖神經網絡
2.4.3 循環圖神經網絡
2.5 本章小結
第3章知識圖譜基礎
3.1 知識圖譜的定義與模型
3.1.1 知識圖譜定義
3.1.2 知識圖譜嵌入
3.1.3 距離轉換模型
3.1.4 語意配對模型
3.2 知識圖譜上的神經網絡
3.2.1 關係圖捲積網絡
3.2.2 知識圖譜與註意力模型
3.3 本章小結
第二篇推薦系統
第4章推薦系統架構
4.1 推薦系統的邏輯架構
4.2 推薦系統的技術架構
4.3 推薦系統的資料與模型部分
4.3.1 推薦系統中的資料平臺建置
4.3.2 推薦系統中的資料探勘方法
4.3.3 推薦系統模型
4.4 推薦系統的評估
4.4.1 推薦系統的評估實驗方法
4.4.2 離線評估
4.4.3 線上評估
4.5 基於GNN的推薦系​​統架構
4.6 本章小結
第5章基於GNN的推薦系統建構基礎
5.1 關於嵌入
5.2 Word2Vec
5.2.1 哈夫曼樹與哈夫曼編碼
5.2.2 基於Hierarchical Softmax的CBOW模型
5.2.3 基於Hierarchical Softmax的Skip -gram模型
5.3 Item2Vec
5.4 圖嵌入
5.4.1 DeepWalk演算法
5.4.2 Line演算法
5.4.3 Node2Vec演算法
5.5 本章小結
第6章基於圖的推薦演算法
6.1 基於圖的召回演算法
6.1.1 從協同過濾到GCMC
6.1. 2 召回階段的深度學習演算法
6.1.3 圖召回的方法
6.2 基於圖的排序演算法
6.2.1 基於特徵交互作用建模－GraphFM模型
6.2.2 基於顯式關係建模GMT模型
6.3 本章小結
第7章知識圖譜與推薦系統
7.1 利用圖譜建模
7.1.1 RippleNet模型
7.1.2 KGAT模型
7.2 圖譜建模與物品推薦關聯學習
7.2.1 KTUP模型
7.2.2 MKR模型
7.3 物品增強學習
7.3.1 DKN模型
7.3.2 KRED模型
7.4 增強可解釋性
7.4.1 KPRN模型
7.4.2 PGPR模型
7.5 本章小結
第8章推薦系統的熱點問題與研究方向
8.1 建議系統的熱點問題
8.1.1 多源資料融合
8.1.2 冷啟動
8.1.3 可解釋性
8.1.4 探索與利用
8.1.5 繭房效應
8.1.6 使用者隱私
8.1.7 評估問題
8.2 推薦系統研究方向
8.2.1 推薦中的圖神經網絡
8.2.2 推薦中的強化學習
8.2.3 因果推薦
8.3 本章小結
第9章推薦系統實踐
9.1 工業級系統架構
9.1.1 工業級推薦系統的特性
9.1.2 推薦系統的常見架構
9.1.3 工業級基於圖神經網絡的推薦系統
9.2 工業級推薦系統問題及解決方法
9.2.1 冷啟動問題及解決方法
9.2. 2 模型問題及解決方案
9.3 工業級推薦系統成長方案
9.3.1 召回
9.3.2 排序
9.4 本章小結