本书旨在全面回顾异质图表示学习的发展，并介绍前沿研究进展。首先从方法和技术两个角度总结了现有的工作，并介绍了该领域的一些公开资源。然后分类详细
介绍了新模型与应用。全书主体内容分为两部分，第1部分重点介绍四种主要的异质图表示学习模型。第2部分介绍了异质图表示学习在现实工业场景中的应用。之后讨论了异质图表示学习未来的研究方向，并总结了本书的内容。
无
异质图是在真实世界中普遍存在的包含不同类型的节点和边的图。从书目网络和社交网络到推荐系统数据，里面都存在着异质图。异质图表示学习是指在低维空间中学习节点/边表示，同时为下游任务（例如，节点/图的分类和链接预测）保留异质结构和语义，目前这个方向吸引了相当多的关注，我们已经见证了异质图表示学习方法在各种实际应用（如推荐系统）上的惊人表现。越来越多的关于异质图表示学习的工作出现，也预示着这个方向是学术界和工业界的一个全球性研究趋势。因此，全面总结和讨论异质图表示学习方法可谓迫在眉睫。
相比于同质图表示学习，异质图中的异质性使异质图表示学习存在着特有的挑战。例如，异质图中存在着多种类型的边，这使得它存在更复杂的结构，而且节点属性也是异质的。同时，异质图表示学习与现实世界的应用高度相关，从异质图构建到学习，可能需要更多的领域知识。以上这些因素都会严重影响异质图表示学习的性能，因此需要仔细考虑。总之，对异质图表示学习的研究具有重要的科学和应用价值。
本书面向的是对异质图感兴趣的读者，总体来说，本书是为那些希望了解异质图表示学习的基本问题、技术和应用的读者准备的。具体来说，我们希望相关领域的学生、研究人员和工程师都能从本书中得到启发。
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。
在本书的撰写过程中，除作者外，还有其他一些人也做出了很大的贡献，我们向所有为撰写本书做出贡献的人表示衷心的感谢。这些人包括薄德瑜、刘佳玮、王睿嘉、吉余岗、纪厚业、张依丁、张梦玫、杨天持、范少华、王春辰、韩辉、崔琪、张琦、刘念、庄远鑫、王贞仪、楚贯一、刘洪瑞、李晨、赵天宇、翟新龙、夏东林、梁峰绮。我们也要感谢PhilipS.Yu教授的许多学生的精心校对，他们是曹雨微、窦英通、范子炜、黄鹤、李霄寒、刘志伟、夏聪颖。此外，本书得到了国家重点基础研究发展计划（2013CB329606）和国家自然科学基金(No.U20B2045,U1936220,61772082,61702296,62002029,62172052)的支持，还得到了美国国家科学基金会III-1763325、III-1909323、III-2106758和SaTC-1930941赠款的部分支持。我们也一并表示感谢。最后，感谢我们的家人在本书写作过程中给予我们的全心全意的支持。
计算机\人工智能
“本书系统全面地讲述了异质图表示学习的基础与前沿，对学术界和工业界具有重要的参考价值。”
——方滨兴
中国工程院院士，中国中文信息学会理事长，网络空间安全专家
“本书清晰易懂地介绍了异质图表示学习的基本问题、最新模型以及不同应用。作者在该方向做了长期深入的研究,知之甚深。本书内容全面系统，非常适合对图表示学习感兴趣的读者阅读。”
——刘欢
亚利桑那州立大学计算机科学及工程教授，AAAI、AAAS、ACM、IEEE Fellow
“异质图表示学习是近年数据挖掘的研究热点，成功应用于很多领域。本书系统完整地介绍了异质图表示学习的研究进展，同时还覆盖了相关应用，是一本非常值得推荐的书。”
——裴健
杜克大学教授，加拿大皇家学会院士，加拿大工程院院士，数据科学与机器学习专家
ACM、IEEE Fellow
“本书深入浅出地探讨了数据挖掘的前沿话题：异质图表示学习。其内容充实，案例丰富，相信能够帮助读者系统性地了解这个领域的发展状况与广阔前景。”
——唐杰
清华大学教授，杰青，ACM、IEEE Fellow
“异质图分析和异质图表示学习技术已经广泛应用到互联网服务领域。本书对异质图表示学习的概念、模型、应用和平台进行了深入系统的介绍，对企业研发人员具有重要指导意义。”
——周靖人
阿里巴巴资深副总裁，达摩院副院长，大规模分布式系统专家，IEEE Fellow
序
前言
第一部分 概况
第1 章引言2
1.1 基本概念和定义2
1.2 图表示学习5
1.3 异质图表示学习及其挑战5
1.4 本书的组织结构6
参考文献6
第2 章异质图表示方法的最新进展9
2.1 方法分类9
2.1.1 结构保持的异质图表示9
2.1.2 属性辅助的异质图表示11
2.1.3 动态异质图表示12
2.1.4 面向应用的异质图表示12
2.2 技术总结14
2.2.1 浅层模型14
2.2.2 深度模型14
2.3 开源资料15
2.3.1 基准数据集15
2.3.2 开源代码16
2.3.3 可用工具16
参考文献18
第二部分 技术篇
第3 章结构保持的异质图表示学习26
3.1 简介26
3.2 基于元路径的随机游走27
3.2.1 概述27
3.2.2 HERec 模型27
3.2.3 实验31
3.3 基于元路径的分解34
3.3.1 概述34
3.3.2 NeuACF 模型35
3.3.3 实验38
3.4 关系结构感知的异质图表示学习算法43
3.4.1 概述43
3.4.2 异质图中的关系结构特征分析44
3.4.3 RHINE 模型47
3.4.4 实验48
3.5 网络模式保持的异质图表示学习算法51
3.5.1 概述51
3.5.2 NSHE 模型52
3.5.3 实验55
3.6 本章小结56
参考文献57
第4 章属性辅助的异质图表示学习61
4.1 简介61
4.2 基于层次注意力机制的异质图神经网络62
4.2.1 概述62
4.2.2 HAN 模型63
4.2.3 实验66
4.3 异质图传播网络70
4.3.1 概述70
4.3.2 语义混淆分析71
4.3.3 HPN 模型73
4.3.4 实验76
4.4 异质图结构学习77
4.4.1 概述77
4.4.2 HGSL 模型78
4.4.3 实验82
4.5 本章小结84
参考文献84
第5 章动态异质图表示学习88
5.1 简介88
5.2 增量学习89
5.2.1 概述89
5.2.2 DyHNE 模型89
5.2.3 实验95
5.3 时序信息99
5.3.1 概述99
5.3.2 SHCF 模型100
5.3.3 实验103
5.4 时序交互105
5.4.1 概述105
5.4.2 THIGE 模型106
5.4.3 实验110
5.5 本章小结111
参考文献112
第6 章异质图表示学习的新兴主题116
6.1 简介116
6.2 对抗学习117
6.2.1 概述117
6.2.2 HeGAN 模型118
6.2.3 实验121
6.3 重要性采样122
6.3.1 概述122
6.3.2 HeteSamp 模型123
6.3.3 实验127
6.4 双曲空间表示130
6.4.1 概述130
6.4.2 HHNE 模型130
6.4.3 实验132
6.5 本章小结135
参考文献135
第三部分 应用篇
第7 章基于异质图表示学习的推荐140
7.1 简介140
7.2 TopN推荐141
7.2.1 概述141
7.2.2 MCRec 模型142
7.2.3 实验145
7.3 冷启动推荐148
7.3.1 概述148
7.3.2 MetaHIN 模型149
7.3.3 实验153
7.4 作者集识别156
7.4.1 概述156
7.4.2 ASI 模型157
7.4.3 实验162
7.5 本章小结164
参考文献164
第8 章基于异质图表示学习的文本挖掘168
8.1 简介168
8.2 短文本分类169
8.2.1 概述169
8.2.2 短文本异质图建模169
8.2.3 HGAT 模型171
8.2.4 实验173
8.3 融合长短期兴趣建模的新闻推荐176
8.3.1 概述176
8.3.2 问题形式化177
8.3.3 GNewsRec 模型177
8.3.4 实验182
8.4 偏好解耦的新闻推荐系统184
8.4.1 概述184
8.4.2 GNUD 模型185
8.4.3 实验188
8.5 本章小结190
参考文献191
第9 章基于异质图表示学习的工业应用195
9.1 简介195
9.2 套现用户检测196
9.2.1 概述196
9.2.2 预备知识196
9.2.3 HACUD 模型197
9.2.4 实验200
9.3 意图推荐202
9.3.1 概述202
9.3.2 问题形式化203
9.3.3 MEIRec 模型204
9.3.4 实验207
9.4 分享推荐209
9.4.1 概述209
9.4.2 问题形式化210
9.4.3 HGSRec 模型210
9.4.4 实验214
9.5 好友增强推荐217
9.5.1 概述217
9.5.2 预备知识218
9.5.3 SIAN 模型219
9.5.4 实验222
9.6 本章小结226
参考文献226
第四部分 平台篇
第10 章异质图表示学习平台与实践230
10.1 简介230
10.2 基础平台231
10.2.1 深度学习平台231
10.2.2 图机器学习平台234
10.2.3 异质图表示学习平台236
10.3 异质图表示学习实践237
10.3.1 构建数据集237
10.3.2 构建Trainerflow 241
10.3.3 HAN 实践243
10.3.4 RGCN 实践246
10.3.5 HERec 实践248
10.4 本章小结250
参考文献250
第11 章未来研究方向252
11.1 简介252
11.2 保持异质图结构253
11.3 捕获异质图特性253
11.4 异质图上的图深度学习254
11.5 异质图表示方法的可靠性254
11.6 更多的现实应用255
11.7 其他255
参考文献256
