这是一本全面讲解图计算、知识图谱及其在**系统领域应用的专著，为读者基于神经网络构建**系统提供了详细指导，是作者在相关领域10余年经验的总结。掌握本书内容，读者可开发出能处理多模态数据的**算法系统，提供更丰富和准确的**体验。 本书主要内容分为两篇。 **篇 图数据以及图模型（第1-3章） 对图数据、图神经网络、知识图谱的基础知识进行了梳理，帮助读者掌握着3项技术的关键原理与算法，为后面的学习打下基础。 第二篇 **系统（第4-9章） 首先介绍了**系统的架构，包括逻辑架构、技术架构和数据建模，以及基于GNN的**系统架构；然后详细讲解了如何基于GNN构建**系统，以及基于图的**算法；再接着讲解了知识图谱在**系统中的应用以及相关的算法模型；*后，探讨了**系统领域当前的热点问题、研究方向以及工业级**系统领域的核心难题 本书注重实战，故理论知识简练且**针对性，包含大量实战案例，图文并茂，易于阅读。

Contents..目 录 **序一 **序二 **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 **系统 第4章 **系统架构 62 4.1 **系统的逻辑架构 62 4.2 **系统的技术架构 67 4.3 **系统的数据和模型部分 69 4.3.1.**系统中的数据平台 建设 69 4.3.2.**系统中的数据挖掘 方法 73 4.3.3.**系统模型 76 4.4 **系统的评估 81 4.4.1.**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**系统架构 94 4.6 本章小结 96 第5章 基于GNN的**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**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**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**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 **系统的热点问题和 研究方向 176 8.1 **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 **系统研究方向 190 8.2.1.**中的图神经网络 192 8.2.2.**中的强化学习 193 8.2.3.因果** 200 8.3 本章小结 202 第9章 **系统实践 203 9.1 工业级系统架构 203 9.1.1.工业级**系统的特点 204 9.1.2.**系统的常见架构 205 9.1.3.工业级基于图神经网络的 **系统 207 9.2 工业级**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**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