本书旨在全面回顾异质图表示学习的发展，并介绍其最新研究进展。书中首先从方法和技术两个角度总结了现有的工作，介绍了该领域的一些公开资源，然后分类详细介绍了最新模型与应用，最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。全书分为四个部分，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，第四部分介绍异质图神经网络算法平台，并讨论未来研究方向。本书不仅可以作为异质图表示学习领域学术界和工业界的研究指南，还可以作为相关专业学生的参考资料。

序
前言
第一部分 概况
第1章 引言
1.1 基本概念和定义
1.2 图表示学习
1.3 异质图表示学习及其挑战
1.4 本书的组织结构
参考文献
第2章 异质图表示方法的最新进展
2.1 方法分类
2.1.1 结构保持的异质图表示
2.1.2 属性辅助的异质图表示
2.1.3 动态异质图表示
2.1.4 面向应用的异质图表示
2.2 技术总结
2.2.1 浅层模型
2.2.2 深度模型
2.3 开源资料
2.3.1 基准数据集
2.3.2 开源代码
2.3.3 可用工具
参考文献
第二部分 技术篇
第3章 结构保持的异质图表示学习
3.1 简介
3.2 基于元路径的随机游走
3.2.1 概述
3.2.2 HERec模型
3.2.3 实验
3.3 基于元路径的分解
3.3.1 概述
3.3.2 NeuACF模型
3.3.3 实验
3.4 关系结构感知的异质图表示学习算法
3.4.1 概述
3.4.2 异质图中的关系结构特征分析
3.4.3 RHINE模型
3.4.4 实验
3.5 网络模式保持的异质图表示学习算法
3.5.1 概述
3.5.2 NSHE模型
3.5.3 实验
3.6 本章小结
参考文献
第4章 属性辅助的异质图表示学习
4.1 简介
4.2 基于层次注意力机制的异质图神经网络
4.2.1 概述
4.2.2 HAN模型
4.2.3 实验
4.3 异质图传播网络
4.3.1 概述
4.3.2 语义混淆分析
4.3.3 HPN模型
4.3.4 实验
4.4 异质图结构学习
4.4.1 概述
4.4.2 HGSL模型
4.4.3 实验
4.5 本章小结
参考文献
第5章 动态异质图表示学习
5.1 简介
5.2 增量学习
5.2.1 概述
5.2.2 DyHNE模型
5.2.3 实验
5.3 时序信息
5.3.1 概述
5.3.2 SHCF模型
5.3.3 实验
5.4 时序交互
5.4.1 概述
5.4.2 THIGE模型
5.4.3 实验
5.5 本章小结
参考文献
第6章 异质图表示学习的新兴主题
6.1 简介
6.2 对抗学习
6.2.1 概述
6.2.2 HeGAN模型
6.2.3 实验
6.3 重要性采样
6.3.1 概述
6.3.2 HeteSamp模型
6.3.3 实验
6.4 双曲空间表示
6.4.1 概述
6.4.2 HHNE模型
6.4.3 实验
6.5 本章小结
参考文献
第三部分 应用篇
第7章 基于异质图表示学习的推荐
7.1 简介
7.2 TopN推荐
7.2.1 概述
7.2.2 MCRec 模型
7.2.3 实验
7.3 冷启动推荐
7.3.1 概述
7.3.2 MetaHIN模型
7.3.3 实验
7.4 作者集识别
7.4.1 概述
7.4.2 ASI 模型
7.4.3 实验
7.5 本章小结
参考文献
第8章 基于异质图表示学习的文本挖掘
8.1 简介
8.2 短文本分类
8.2.1 概述
8.2.2 短文本异质图建模
8.2.3 HGAT模型
8.2.4 实验
8.3 融合长短期兴趣建模的新闻推荐
8.3.1 概述
8.3.2 问题形式化
8.3.3 GNewsRec模型
8.3.4 实验
8.4 偏好解耦的新闻推荐系统
8.4.1 概述
8.4.2 GNUD模型
8.4.3 实验
8.5 本章小结
参考文献
第9章 基于异质图表示学习的工业应用
9.1 简介
9.2 套现用户检测
9.2.1 概述
9.2.2 预备知识
9.2.3 HACUD模型
9.2.4 实验
9.3 意图推荐
9.3.1 概述
9.3.2 问题形式化
9.3.3 MEIRec模型
9.3.4 实验
9.4 分享推荐
9.4.1 概述
9.4.2 问题形式化
9.4.3 HGSRec模型
9.4.4 实验
9.5 好友增强推荐
9.5.1 概述
9.5.2 预备知识
9.5.3 SIAN模型
9.5.4 实验
9.6 本章小结
参考文献
第四部分 平台篇
第10章 异质图表示学习平台与实践
10.1 简介
10.2 基础平台
10.2.1 深度学习平台
10.2.2 图机器学习平台
10.2.3 异质图表示学习平台
10.3 异质图表示学习实践
10.3.1 构建数据集
10.3.2 构建Trainerflow
10.3.3 HAN实践
10.3.4 RGCN实践
10.3.5 HERec实践
10.4 本章小结
参考文献
第11章 未来研究方向
11.1 简介
11.2 保持异质图结构
11.3 捕获异质图特性
11.4 异质图上的图深度学习
11.5 异质图表示方法的可靠性
11.6 更多的现实应用
11.7 其他
参考文献