本书系统阐述了基于图神经网络与图对比学习的推荐系统前沿技术。全书共15章，涵盖注意力感知时序异构图网络、关系感知异构图网络、注意力感知图对比学习等基础方法，并深入探讨扩散增强、语义转换、多模态层次对比等创新技术在多行为推荐、多媒体推荐等场景的应用。本书特点在于理论创新与实践结合紧密，每章均提出新型算法模型，并通过消融实验与性能对比验证有效性。内容兼具时序动态建模、异构图处理、去噪优化等关键技术要点。 本书内容紧密结合前沿技术，理论严谨，实践性强，适合人工智能、数据科学领域的研究人员、工程师及高年级本科生和研究生阅读参考。

莫先，宁夏大学副教授，硕士生导师，专注于图神经网络、扩散模型和大语言模型在图学习领域的研究，该研究能用于链路预测、节点分类、推荐系统、社团检测、药物发现等具体应用，研究领域涉及人工智能、大数据等。近 5 年来， 其代表性成果包括中科院 SCI Top 论文 10 余篇；主持国家自然科学基金青年科学基金 1 项和宁夏自然科学基金（优秀青年）项目1项。

前言 随着互联网技术的飞速发展和信息量的爆炸式增长，用户在面对海量在线信息时，如何高效、精准地获取自身感兴趣的内容已成为一项重大挑战。推荐系统作为应对信息过载的核心技术，通过分析用户历史行为与偏好，主动为用户筛选并呈现其可能感兴趣的信息，从而极大地提升了信息获取效率与用户体验，目前已广泛应用于电子商务、社交媒体、新闻资讯、音视频流媒体等众多领域。近年来，深度学习技术，特别是图神经网络和对比学习，在推荐系统研究中取得了显著进展。然而，现有的推荐方法仍面临诸多挑战： 如何精准建模用户物品交互中的差异化重要性？如何有效捕捉用户兴趣的动态演化趋势？如何在利用多模态、多行为等辅助信息时避免噪声干扰，并实现有效的语义对齐？特别是，如何将近年来兴起的扩散模型的强大生成能力与上述挑战相结合，以构建更强大、更健壮的推荐系统，这是当前研究的前沿与难点。 本书针对上述挑战进行了系统性的探索与创新，旨在将扩散模型的细粒度生成能力、图神经网络的关系建模能力、对比学习的自监督增强优势以及多模态数据的强大语义表达能力相结合，构建一系列新颖的推荐模型，以提升推荐性能、可解释性和健壮性。 全书共分为15章。第1、2章为绪论和相关理论与技术，系统阐述了推荐系统、图神经网络、图对比学习、主成分分析、扩散模型及多模态融合的基础知识、研究现状以及所面临的挑战。第3~14章为核心内容，详细介绍了本书提出的5类（共12种）创新性推荐模型： ①基于图神经网络的推荐方法（第3、4章）； ②基于对比学习的推荐方法（第5、6章）； ③基于扩散模型的推荐方法（第7、8章）； ④基于扩散模型增强对比学...