文本属性图广泛分布于诸多应用场景之中，其核心挑战在于如何巧妙地融合节点的文本语义特性与图结构的拓扑信息，从而强化节点的表征学习能力，实现高效且精准的学习范式。为应对这一挑战，本书从多个维度对文本属性图进行了综合性的研究探讨，包括文本属性图综合性研究；基准测试与深度思考、细粒度融合节点文本属性的图表示学习、文本属性图上的半监督表示学习、低内存占用的文本属性图表示学习、GNN-LM紧耦合的文本属性图表示学习、基于变分推断的大规模文本属性图上的表示学习、基于高频感知分层对比选择性编码的文本属性图表示学习、基于文本属性图表示学习的搜索广告系统、基于拓扑驱动语言模型预训练的推荐系统、基于文本属性图表示学习的社交网络对齐等多方面的研究。这些研究不仅深化了我们对文本数据与图结构融合的理解，也为相关领域的实践提供了坚实的理论基础和丰富的案例指导。 本书旨在为对图神经网络感兴趣或正在从事相关领域研究与实践的广大读者提供全面而深入的指导。同时，本书也可作为撰写学术论文或进行课题研究的参考书籍，可为学术研究和实际应用提供有力的支持。

第1章 绪论
1.1 研究背景与研究意义
1.2 相关工作
1.3 主要挑战
1.4 本书的主要贡献
第2章 文本属性图综合性研究：基准测试与深度思考
2.1 引言
2.2 相关工作
2.3 CS-TAG：文本属性图上数据集与基准测试
2.3.1 CS-TAG概述
2.3.2 数据集构造
2.3.3 文本属性图上传统学习范式
2.3.4 语言模型上拓扑预训练
2.4 实验部分
2.4.1 属性静态建模对GNN的影响
2.4.2 协同训练范式分析
2.4.3 基于PLM的方法与基于GNN的方法的比较
2.4.4 拓扑预训练方法的有效性分析
2.5 讨论
2.6 总结与展望
第3章 细粒度融合节点文本属性的图表示学习
3.1 引言
3.2 融合节点属性的图表示学习模型
3.2.1 问题定义
3.2.2 模型框架
3.2.3 基于拓扑结构的目标函数
3.2.4 基于节点属性的目标函数
3.2.5 联合优化算法
3.2.6 讨论
3.3 实验
3.3.1 数据集介绍
3.3.2 对比方法
3.3.3 节点分类
3.3.4 链接预测
3.4 本章小结
第4章 文本属性图上的半监督表示学习
4.1 引言
4.2 半监督的图表示学习模型
4.2.1 问题定义
4.2.2 模型框架
4.2.3 顺序敏感的图表示学习模型
4.2.4 半监督的图表示学习模型
4.3 实验
4.3.1 数据集介绍
4.3.2 对比方法
4.3.3 网络重构
4.3.4 节点分类
4.3.5 链接预测
4.3.6 参数敏感性分析
4.4 本章小结
第5章 低内存占用的文本属性图表示学习
5.1 引言
5.2 低内存占用的图表示学习
5.2.1 问题定义
5.2.2 基于预训练特征的多热点图表示学习
5.2.3 端到端的多热点图表示学习
5.3 实验
5.3.1 数据集介绍
5.3.2 对比方法
5.3.3 基于预训练特征的多热点图表示学习
5.3.4 端到端的多热点图表示学习
5.4 本章小结
第6章 GNN-LM紧耦合的文本属性图表示学习
6.1 引言
6.2 相关工作
6.3 GraphFormers
6.3.1 GNN-nested Transformers
6.3.2 模型简化：单向图聚合
6.3.3 模型训练：两阶段渐进式学习
6.4 实验
6.4.1 实验数据和设置
6.4.2 基线方法
6.4.3 整体实验评估
6.4.4 消融实验
6.4.5 效率分析
6.4.6 在Bing搜索中的线上A/B实验
6.5 本章小结
第7章 基于变分推断的大规模文本属性图上的表示学习
7.1 引言
7.2 相关工作
7.3 背景
7.3.1 文本属性图
7.3.2 基于语言模型的节点分类方法
7.3.3 基于图神经网络的节点分类方法
7.4 模型框架
7.4.1 伪似然函数变分框架
7.4.2 参数化技术
7.4.3 期望估计步：语言模型优化
7.4.4 期望最大化步：图神经网络优化
7.5 实验
7.5.1 实验设置
7.5.2 直推式节点分类
7.5.3 无结构的归纳式节点分类
7.5.4 训练范式对比
7.5.5 收敛性分析
7.6 本章小结
第8章 基于高频感知分层对比选择性编码的文本属性图表示学习
8.1 引言
8.2 相关工作
8.2.1 文本属性图上的表示学习
8.2.2 对比学习
8.3 预备知识
8.3.1 定义（文本属性图）
8.3.2 问题陈述
8.3.3 高频感知频谱对比损失
8.4 方法
8.4.1 概述
8.4.2 基于文本属性图的分层对比学习
8.5 实验
8.5.1 实验设置
8.5.2 整体比较
8.5.3 消融实验
8.5.4 效率分析
8.6 本章小结
第9章 基于文本属性图表示学习的搜索广告系统
9.1 引言
9.2 背景定义
9.2.1 问题定义
9.2.2 超图
9.3 方法
9.3.1 整体架构
9.3.2 异构超图的构建
9.3.3 异构文本超图Transformer
9.3.4 相关性模块
9.3.5 目标函数
9.4 实验
9.4.1 实验设置
9.4.2 主要结果
9.4.3 消融实验
9.4.4 冷启动场景下的效果
9.4.5 模型效率分析
9.5 本章小结
第10章 基于拓扑驱动语言模型预训练的推荐系统
10.1 引言
10.2 方法
10.2.1 拓扑驱动的语言模型预训练
10.2.2 基于语义的图丰富化
10.2.3 多通道共同训练模块
10.2.4 多通道聚合与对比学习
10.2.5 训练目标函数
10.3 实验
10.3.1 离线实验结果
10.3.2 在线实验结果
10.3.3 消融研究
10.4 本章小结
第11章 基于文本属性图表示学习的社交网络对齐
11.1 引言
11.2 基于图表示学习的社交网络对齐
11.2.1 准备知识
11.2.2 问题定义
11.2.3 映射函数
11.2.4 单向映射模型SNNAa
11.2.5 双向映射模型SNNAb
11.2.6 正交映射模型SNNAc
11.3 实验
11.3.1 数据集介绍
11.3.2 数据预处理
11.3.3