目录
第1章绪论
1.1引言
1.2研究背景及意义
1.3国内外研究现状
1.3.1传统推荐方法
1.3.2基于深度学习的推荐方法
1.3.3基于图神经网络的推荐方法
1.3.4基于图对比学习的推荐方法
1.3.5基于扩散模型的推荐方法
1.3.6基于多模态的推荐方法
1.4本书的主要工作
1.5本章小结
第2章相关理论与技术
2.1引言
2.2推荐系统概述
2.2.1推荐系统简介
2.2.2推荐场景介绍
2.2.3推荐系统的评价指标
2.3图神经网络概述
2.3.1图的概念
2.3.2二部图
2.3.3图神经网络简介
2.3.4图卷积神经网络
2.3.5图注意力网络
2.4图对比学习概述
2.4.1图对比学习简介
2.4.2图对比学习框架
2.4.3数据增强
2.4.4基于知识图谱数据增强
2.5主成分分析
2.6扩散模型
2.7多模态融合
2.8本章小结
第3章时序异构图注意力网络推荐方法
3.1引言
3.2问题定义
3.3THGAN模型
3.3.1异构图注意力网络
3.3.2混合跳数图注意力模块
3.3.3可解释性分析
3.3.4时间复杂度分析
3.4实验
3.4.1数据集与基准模型
3.4.2实验设置
3.4.3下一次交互预测
3.4.4未来物品推荐
3.4.5消融实验
3.4.6超参分析
3.4.7效率分析
3.5本章小结
第4章关系感知异构图注意力网络推荐方法
4.1引言
4.2问题定义
4.3RHGAN模型
4.3.1高阶邻居生成算法
4.3.2关系感知异构图注意力网络
4.3.3可解释性分析
4.3.4时间复杂度分析
4.4实验
4.4.1数据集与基准模型
4.4.2参数设置
4.4.3未来物品推荐
4.4.4下一次交互预测
4.4.5消融实验
4.4.6HoCN的作用验证
4.4.7超参分析
4.4.8效率分析
4.5本章小结
第5章注意力感知图对比学习推荐方法
5.1引言
5.2问题定义
5.3AteGCL模型
5.3.1注意力感知图学习模块
5.3.2对比学习模块
5.3.3时间复杂度分析
5.3.4可解释性分析
5.3.5模型优化
5.4实验
5.4.1实验设置
5.4.2推荐性能
5.4.3消融实验
5.4.4效率分析
5.4.5超参分析
5.5本章小结
第6章注意力感知可解释图对比学习推荐方法
6.1引言
6.2问题定义
6.3IntGCL模型
6.3.1注意力感知图学习
6.3.2对比学习
6.3.3模型训练
6.3.4可解释性分析
6.3.5时间复杂度分析
6.4实验
6.4.1实验设置
6.4.2推荐性能
6.4.3消融实验
6.4.4可扩展性分析
6.4.5超参数分析
6.5本章小结
第7章引导扩散增强的序列推荐方法
7.1引言
7.2问题定义
7.3GDiffuASR模型
7.3.1用户多维度偏好学习
7.3.2序列推荐的数据增强
7.4实验
7.4.1实验设置
7.4.2整体性能
7.4.3消融实验
7.4.4降噪性能有效性
7.4.5超参数分析
7.4.6效率分析
7.5本章小结
第8章潜在空间条件引导扩散模型推荐方法
8.1引言
8.2问题定义
8.2.1社交关系协同图
8.2.2社交推荐系统
8.2.3用户间共同交互物品引导图
8.3CGDLS模型
8.3.1社交关系编码器
8.3.2用户物品交互编码器
8.3.3基于条件引导扩散模型的社交关系图去噪
8.4实验
8.4.1数据集与基准模型
8.4.2整体性能比较
8.4.3消融研究
8.4.4效率分析
8.5本章小结
第9章带语义转换的扩散增强多行为推荐方法
9.1引言
9.2问题定义
9.3STDE模型
9.3.1多行为学习
9.3.2带语义转换的对比学习
9.3.3模型训练
9.3.4时间复杂度分析
9.4实验
9.4.1实验数据与基准模型
9.4.2推荐性能
9.4.3消融实验
9.4.4超参数分析
9.4.5健壮性分析
9.4.6案例分析
9.5本章小结
第10章扩散增强异构图对比学习多行为推荐方法
10.1引言
10.2问题定义
10.3HGCLD模型
10.3.1融合分层扩散增强的图对比学习
10.3.2多行为图学习
10.3.3模型训练
10.3.4时间复杂度分析
10.4实验
10.4.1实验设置
10.4.2推荐性能
10.4.3消融实验
10.4.4分层扩散的有效性
10.4.5超参数分析
10.4.6健壮性分析
10.4.7可扩展性分析
10.4.8案例分析
10.5本章小结
第11章基于语义转移扩散增强的大语言模型用户侧知识感知推荐方法
11.1引言
11.2问题定义
11.3STLLMSRec模型
11.3.1基于LLM的用户侧知识图谱构建
11.3.2知识感知图扩散模型
11.3.3模型优化
11.3.4时间复杂度分析
11.4实验
11.4.1实验设置
11.4.2推荐性能
11.4.3消融实验
11.4.4稀疏性分析
11.4.5健壮性分析
11.4.6可扩展性分析
11.4.7案例分析
11.5本章小结
第12章面向多模态推荐的模态感知扩散增强与多级负采样方法
12.1引言
12.2问题定义
12.3MDMNS模型
12.3.1分层图增强扩散
12.3.2多模态图聚合
12.3.3模态对比增强
12.3.4多任务模型训练
12.3.5模型复杂度分析
12.4实验
12.4.1数据集与基准模型
12.4.2整体性能对比
12.4.3消融实验
12.4.4数据稀疏性分析
12.4.5健壮性分析
12.4.6可扩展性分析
12.4.7可视化分析
12.5本章小结
第13章知识感知扩散增强图对比学习的多媒体推荐方法
13.1引言
13.2问题定义
13.2.1知识图谱
13.2.2多媒体推荐
13.3KDiffE模型
13.3.1基于注意力感知的用户物品图学习
13.3.2带引导扩散增强的对比学习
13.3.3模型训练
13.3.4可解释性分析
13.4实验
13.4.1实验设置
13.4.2推荐性能
13.4.3消融实验
13.4.4去噪有效性分析
13.4.5超参数分析
13.4.6可扩展性分析
13.5本章小结
第14章扩散增强多模态层次图对比学习的多媒体推荐方法
14.1引言
14.2问题定义
14.3MHDiff模型
14.3.1模态感知图扩散模型
14.3.2多模态图学习
14.3.3时间复杂度分析
14.3.4模型优化
14.4实验
14.4.1实验设置
14.4.2推荐性能
14.4.3消融实验
14.4.4超参数分析
14.4.5可扩展性分析
14.5本章小结
第15章总结
15.1工作总结
15.2未来发展方向
参考文献
