圖神經網絡：基礎與前沿 ( 簡體 字) |
| 作者：馬騰飛 | 類別：1. -> 程式設計 -> 綜合 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 54011
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：1/1/2021 |
| 頁數：152 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121405020 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：本書內容
本書詳細討論了圖神經網絡的經典模型、前沿發展及經典應用，包含了一些與圖深度學習相關的內容，如網絡嵌入、知識圖譜嵌入等，以幫助讀者構建更全面的圖神經網絡知識體系。在介紹具體的圖神經網絡模型之前，本書先對圖神經網絡所需要的基礎知識進行了簡要概括，之后，盡量按照經典圖神經網絡模型的發展順序分類進行介紹，最后介紹圖神經網絡中的開放問題和百花齊放的前沿解決方案。希望讀者可以通過閱讀本書，熟悉整個圖神經網絡的發展脈絡，厘清重要模型的設計思路和技術細節，了解前人是怎么開創一個新領域并逐漸將其發展壯大的。希望本書不僅能幫助想學習圖神經網絡知識的讀者更好地理解技術，而且能讓想在別的領域做出突破的讀者獲得些許靈感。
閱讀本書需要讀者具有一定的機器學習基礎。本書包含了一些圖神經網絡的公式化理論和模型，并盡量用簡潔的語言表述，以便讀者更好地理解。書中對模型的介紹在保持嚴謹的同時，力求將模型背后的設計思路清晰地呈現。書中加入了很多近一兩年的新工作，力圖向讀者展現這個領域的最新研究進展。我與朋友合作，在 AAAI 和 KDD 大會上做了兩次關于圖神經網絡的前沿專題演講，其中的大部分內容都囊括在本書中。希望這些前沿知識能夠讓想從事圖神經網絡應用和研究的讀者少走彎路，更容易找到最適合自己目標任務的新模型。對于想應用圖神經網絡模型的讀者，本書將為你提供方向，例如，如何建圖、如何選擇模型等。
致謝
寫作本書的過程比我預想的困難許多，花費了我大量的時間和精力，但寫作過程也讓我受益匪淺，不僅彌補了我對一些子方向中相關知識的空白，也讓我對整個圖神經網絡的發展有了更全面的認識。感謝本書責任編輯鄭柳潔為本書提出了大量有價值的建議；感謝我的論文合作者們，尤其是陳捷和 Danica，是
他們引導我進入這個領域并與我一起進步；感謝我的導師和前輩在成書過程中對我的鼓勵。
最后，感謝家人對我的理解和支持，感謝我的父母和姐姐，尤其感謝我的妻子。2020 年是特殊的一年，雖然新冠疫情肆虐，生活受到了極大的困擾，但兒子的出生讓我感到莫大的欣慰。疫情導致父母不能來美國，這讓我和妻子獲得了全程照顧兒子的機會，雖然勞累，但當三人擠成一團時，我總是倍感幸福，妻兒的笑容是我完成本書最大的助力！
馬騰飛
美國紐約州 White Plains |
內容簡介：圖神經網絡是人工智能領域的一個新興方向，它不僅迅速得到了學術界的廣泛關注，而且被成功地應用在工業界的多個領域。本書介紹了圖神經網絡和圖深度學習的基礎知識和前沿研究，不僅包括它們的發展歷史和經典模型，還包括圖神經網絡在深層網絡、無監督學習、大規模訓練、知識圖譜推理等方面的前沿研究，以及它們在不同領域（如推薦系統、生化醫療、自然語言處理等）的實際應用。 本書既可作為人工智能領域研究和開發人員的技術參考書，也可作為對圖上的深度學習感興趣的高年級本科生和研究生的入門書。 |
目錄：第 1 章 當深度學習遇上圖：圖神經網絡的興起 1
1.1 什么是圖1
1.2 深度學習與圖 2
1.2.1 圖數據的特殊性質 3
1.2.2 將深度學習擴展到圖上的挑戰 4
1.3 圖神經網絡的發展 5
1.3.1 圖神經網絡的歷史 5
1.3.2 圖神經網絡的分類 7
1.4 圖神經網絡的應用 8
1.4.1 圖數據上的任務 8
1.4.2 圖神經網絡的應用領域 8
1.5 小結 11
第 2 章 預備知識 13
2.1 圖的基本概念 13
2.2 簡易圖譜論 15
2.2.1 拉普拉斯矩陣 16
2.2.2 拉普拉斯二次型 17
2.2.3 拉普拉斯矩陣與圖擴散 18
2.2.4 圖論傅里葉變換 19
2.3 小結 20
第 3 章 圖神經網絡模型介紹 21
3.1 基于譜域的圖神經網絡 21
3.1.1 譜圖卷積網絡 21
3.1.2 切比雪夫網絡 24
3.1.3 圖卷積網絡 25
3.1.4 譜域圖神經網絡的局限和發展 27
3.2 基于空域的圖神經網絡 28
3.2.1 早期的圖神經網絡與循環圖神經網絡 28
3.2.2 再談圖卷積網絡 29
3.2.3 GraphSAGE：歸納式圖表示學習 31
3.2.4 消息傳遞神經網絡 34
3.2.5 圖注意力網絡 37
3.2.6 圖同構網絡：Weisfeiler-Lehman 測試與圖神經網絡的表達力 39
3.3 小試牛刀：圖卷積網絡實戰 42
3.4 小結 46
第 4 章 深入理解圖卷積網絡 47
4.1 圖卷積與拉普拉斯平滑：圖卷積網絡的過平滑問題 47
4.2 圖卷積網絡與個性化 PageRank 50
4.3 圖卷積網絡與低通濾波 52
4.3.1 圖卷積網絡的低通濾波效果 52
4.3.2 圖濾波神經網絡 54
4.3.3 簡化圖卷積網絡 55
4.4 小結 56
第 5 章 圖神經網絡模型的擴展 57
5.1 深層圖卷積網絡 57
5.1.1 殘差連接 58
5.1.2 JK-Net 60
5.1.3 DropEdge 與 PairNorm 60
5.2 圖的池化 61
5.2.1 聚類與池化 62
5.2.2 可學習的池化：DiffPool 63
5.2.3 Top-k 池化和 SAGPool 65
5.3 圖的無監督學習 67
5.3.1 圖的自編碼器 67
5.3.2 最大互信息 70
5.3.3 其他 72
5.3.4 圖神經網絡的預訓練 72
5.4 圖神經網絡的大規模學習 74
5.4.1 點采樣 75
5.4.2 層采樣 76
5.4.3 圖采樣 78
5.5 不規則圖的深度學習模型 80
5.6 小結 81
第 6 章 其他圖嵌入方法 83
6.1 基于矩陣分解的圖嵌入方法 83
6.1.1 拉普拉斯特征映射 83
6.1.2 圖分解 84
6.2 基于隨機游走的圖嵌入方法 86
6.2.1 DeepWalk 86
6.2.2 node2vec 87
6.2.3 隨機游走與矩陣分解的統一 88
6.3 從自編碼器的角度看圖嵌入 88
6.4 小結 89
第 7 章 知識圖譜與異構圖神經網絡 91
7.1 知識圖譜的定義和任務 92
7.1.1 知識圖譜 92
7.1.2 知識圖譜嵌入 92
7.2 距離變換模型 94
7.2.1 TransE 模型 94
7.2.2 TransH 模型 95
7.2.3 TransR 模型 96
7.2.4 TransD 模型 97
7.3 語義匹配模型 97
7.3.1 RESCAL 模型 98
7.3.2 DistMult 模型 98
7.3.3 HolE 模型 98
7.3.4 語義匹配能量模型 99
7.3.5 神經張量網絡模型 99
7.3.6 ConvE 模型 100
7.4 知識圖譜上的圖神經網絡 100
7.4.1 關系圖卷積網絡 100
7.4.2 帶權重的圖卷積編碼器 101
7.4.3 知識圖譜與圖注意力模型 102
7.4.4 圖神經網絡與傳統知識圖譜嵌入的結合：CompGCN 103
7.5 小結 103
第 8 章 圖神經網絡模型的應用 105
8.1 圖數據上的一般任務 105
8.1.1 節點分類 106
8.1.2 鏈路預測 106
8.1.3 圖分類 107
8.2 生化醫療相關的應用 108
8.2.1 預測分子的化學性質和化學反應 108
8.2.2 圖生成模型與藥物發現 109
8.2.3 藥物/蛋白質交互圖的利用 116
8.3 自然語言處理相關的應用 117
8.4 推薦系統上的應用 121
8.5 計算機視覺相關的應用 123
8.6 其他應用 124
8.7 小結 124
參考文獻 127 |
| 序： |
