| 作者 |
| 刘忠雨 李彦霖 周洋 等 |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782110261425 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------8066127 - 深入浅出图神经网络：GNN原理解析--------------------------- 内容简介 这是一本从原理、算法、实现、应用4个维度详细讲解图神经网络的著作，在图神经网络领域具有重大的意义。 本书作者是图神经网络领域的资深技术专家，作者所在的公司极验也是该领域的领先者。本书是作者和极验多年研究和实践经验的总结，内容系统、扎实、深入浅出，得到了白翔、俞栋等几位来自学术界和企业界的领军人物的高度评价和强烈推荐。 全书共10章： 第1～4章全面介绍了图、图数据、卷积神经网络以及表示学习等基础知识，是阅读本书的预备知识； 第5～6章从理论的角度出发，讲解了图信号处理和图卷积神经网络，深入剖析了图卷积神经网络的性质，并提供了GCN实现节点分类的实例。 第7～9章全面的讲解了图神经网络的各种变体及范式、图分类机制及其实践，以及基于GNN的图表示学习； 第10章介绍了图神经网络的最新研究和应用。 ---------------------------8077879 - 智能搜索和推荐系统：原理、算法与应用--------------------------- 本书分为4大部分。第一部分（第1~3章）：搜索推荐系统的基础。首先介绍数学与统计学是现代机器学习理论的基础；其次介绍搜索推荐系统的常识；最后，描述知识图谱相关基础理论。 . 第二部分（第4~6章）：搜索系统的基本原理。主要内容包括：搜索系统框架及原理、主要算法以及搜索系统相关评价指标。 第三部分（第7~9章）：推荐系统的基本原理。主要内容包括：推荐系统框架及原理、主要算法以及推荐系统相关评价指标。 第四部分（第10~12章）：应用。首先介绍三种常见的搜索引擎工具；其次讲述搜索引擎和推荐系统两个方向的应用。 |
| 目录 |
| [套装书具体书目] 8066127 - 深入浅出图神经网络：GNN原理解析 - 9787111643630 - 机械工业出版社 - 定价 89 8077879 - 智能搜索和推荐系统：原理、算法与应用 - 9787111670674 - 机械工业出版社 - 定价 79 ---------------------------8066127 - 深入浅出图神经网络：GNN原理解析--------------------------- 前言 第1章 图的概述 1 1.1 图的基本定义 1 1.1.1 图的基本类型 2 1.1.2 邻居和度 4 1.1.3 子图与路径 4 1.2 图的存储与遍历 5 1.2.1 邻接矩阵与关联矩阵 5 1.2.2 图的遍历 6 1.3 图数据的应用场景 7 1.4 图数据深度学习 10 1.5 参考文献 13 第2章 神经网络基础 17 2.1 机器学习基本概念 17 2.1.1 机器学习分类 17 2.1.2 机器学习流程概述 18 2.1.3 常见的损失函数 21 2.1.4 梯度下降算法 23 2.2 神经网络 25 2.2.1 神经元 25 2.2.2 多层感知器 27 2.3 激活函数 29 2.3.1 S型激活函数 30 2.3.2 ReLU及其变种 30 2.4 训练神经网络 33 2.4.1 神经网络的运行过程 34 2.4.2 反向传播 34 2.4.3 优化困境 36 2.5 参考文献 38 第3章 卷积神经网络 39 3.1 卷积与池化 39 3.1.1 信号处理中的卷积 39 3.1.2 深度学习中的卷积操作 42 3.1.3 池化 46 3.2 卷积神经网络 46 3.2.1 卷积神经网络的结构 47 3.2.2 卷积神经网络的特点 49 3.3 特殊的卷积形式 51 3.3.1 1×1卷积 51 3.3.2 转置卷积 52 3.3.3 空洞卷积 54 3.3.4 分组卷积 55 3.3.5 深度可分离卷积 55 3.4 卷积网络在图像分类中的应用 56 3.4.1 VGG 56 3.4.2 Inception系列 57 3.4.3 ResNet 60 3.5 参考文献 62 第4章 表示学习 65 4.1 表示学习 65 4.1.1 表示学习的意义 65 4.1.2 离散表示与分布式表示 66 4.1.3 端到端学习是一种强大的表示学习方法 68 4.2 基于重构损失的方法—自编码器 69 4.2.1 自编码器 69 4.2.2 正则自编码器 71 4.2.3 变分自编码器 72 4.3 基于对比损失的方法—Word2vec 75 4.4 参考文献 79 第5章 图信号处理与图卷积神经网络 81 5.1 矩阵乘法的三种方式 81 5.2 图信号与图的拉普拉斯矩阵 83 5.3 图傅里叶变换 85 5.4 图滤波器 90 5.4.1 空域角度 93 5.4.2 频域角度 94 5.5 图卷积神经网络 96 5.6 GCN实战 101 5.7 参考文献 109 第6章 GCN的性质 111 6.1 GCN与CNN的联系 111 6.2 GCN能够对图数据进行端对端学习 115 6.3 GCN是一个低通滤波器 120 6.4 GCN的问题—过平滑 122 6.5 参考文献 127 第7章 GNN的变体与框架 129 7.1 GraphSAGE 129 7.1.1 采样邻居 130 7.1.2 聚合邻居 131 7.1.3 GraphSAGE算法过程 132 7.2 GAT 134 7.2.1 注意力机制 134 7.2.2 图注意力层 137 7.2.3 多头图注意力层 138 7.3 R-GCN 140 7.3.1 知识图谱 140 7.3.2 R-GCN 141 7.4 GNN的通用框架 143 7.4.1 MPNN 143 7.4.2 NLNN 146 7.4.3 GN 147 7.5 GraphSAGE实战 148 7.6 参考文献 153 第8章 图分类 155 8.1 基于全局池化的图分类 155 8.2 基于层次化池化的图分类 156 8.2.1 基于图坍缩的池化机制 157 8.2.2 基于TopK的池化机制 165 8.2.3 基于边收缩的池化机制 168 8.3 图分类实战 169 8.4 参考文献 177 第9章 基于GNN的图表示学习 179 9.1 图表示学习 180 9.2 基于GNN的图表示学习 182 9.2.1 基于重构损失的GNN 183 9.2.2 基于对比损失的GNN 184 9.3 基于图自编码器的推荐系统 188 9.4 参考文献 195 第10章 GNN的应用简介 197 10.1 GNN的应用简述 197 10.2 GNN的应用案例 199 10.2.1 3D视觉 199 10.2.2 基于社交网络的推荐系统 203 10.2.3 视觉推理 205 10.3 GNN的未来展望 208 10.4 参考文献 209 附录A 符号声明 211 ---------------------------8077879 - 智能搜索和推荐系统：原理、算法与应用--------------------------- 推荐序一 推荐序二 前言 第一部分 搜索和推荐系统的基础 第1章 概率统计与应用数学基础知识 2 1.1 概率论基础 2 1.1.1 概率定义 2 1.1.2 随机变量 5 1.1.3 基础的概率分布 5 1.1.4 期望、方差、标准差、协方差 8 1.2 线性代数基础 10 1.2.1 矩阵 10 1.2.2 向量 10 1.2.3 张量 11 1.2.4 特征向量和特征值 12 1.2.5 奇异值分解 12 1.3 机器学习基础 13 1.3.1 导数 13 1.3.2 梯度 14 1.3.3 最大似然估计 14 1.3.4 随机过程与隐马尔可夫模型 15 1.3.5 信息熵 16 1.4 本章小结 18 第2章 搜索系统和推荐系统常识 19 2.1 搜索系统 19 2.1.1 什么是搜索引擎及搜索系统 19 2.1.2 搜索引擎的发展史 21 2.1.3 搜索引擎的分类 22 2.2 推荐系统 23 2.2.1 什么是推荐系统 24 2.2.2 推荐系统的发展史 24 2.2.3 推荐系统应用场景 25 2.2.4 推荐系统的分类 26 2.3 搜索与推荐的区别 29 2.4 本章小结 30 第3章 知识图谱相关理论 31 3.1 知识图谱概述 31 3.1.1 什么是知识图谱 31 3.1.2 知识图谱的价值 33 3.1.3 知识图谱的架构 35 3.1.4 知识图谱的表示与建模 36 3.2 信息抽取 39 3.2.1 实体识别 40 3.2.2 关系抽取 46 3.3 知识融合 50 3.3.1 实体对齐 50 3.3.2 实体消歧 51 3.4 知识加工 53 3.4.1 知识推理 53 3.4.2 质量评估 58 3.5 本章小结 58 第二部分 搜索系统的基本原理 第4章 搜索系统框架及原理 60 4.1 搜索系统的框架 60 4.1.1 基本框架 60 4.1.2 搜索引擎是如何工作的 62 4.2 数据收集及预处理 64 4.2.1 爬虫 64 4.2.2 数据清洗 66 4.2.3 存储空间及分布式设计 68 4.3 文本分析 70 4.3.1 查询处理 71 4.3.2 意图理解 82 4.3.3 其他文本分析方法 85 4.4 基于知识图谱的搜索系统 90 4.5 本章小结 92 第5章 搜索系统中的主要算法 93 5.1 信息检索基本模型 93 5.1.1 布尔模型 93 5.1.2 向量空间模型 94 5.1.3 概率检索模型 96 5.1.4 其他模型 100 5.2 搜索和机器学习 102 5.2.1 排序学习 102 5.2.2 排序学习示例 107 5.3 搜索和深度学习 116 5.3.1 DNN模型 116 5.3.2 DSSM模型 118 5.3.3 Transformer 120 5.4 本章小结 126 第6章 搜索系统评价 127 6.1 搜索系统评价的意义 127 6.2 搜索系统的评价体系 127 6.2.1 效率评价 128 6.2.2 效果评价 130 6.3 本章小结 136 第三部分 推荐系统的基本原理 第7章 推荐系统框架及原理 138 7.1 推荐系统的框架及运行 138 7.1.1 基本框架 139 7.1.2 组件及功能 140 7.1.3 推荐引擎是如何工作的 141 7.1.4 推荐系统的经典问题 142 7.2 推荐系统的冷启动 145 7.3 推荐系统的召回策略 150 7.3.1 基于行为相似的召回 150 7.3.2 基于内容相似的召回 153 7.4 推荐系统排序 160 7.4.1 特征选择的方法 160 7.4.2 推荐系统的排序过程 164 7.5 基于知识图谱的推荐系统 166 7.6 本章小结 168 第8章 推荐系统的主要算法 169 8.1 矩阵分解 169 8.1.1 奇异值分解 170 8.1.2 交替最小二乘 171 8.1.3 贝叶斯个性化排序 172 8.2 线性模型 174 8.2.1 FM模型 175 8.2.2 FFM模型 176 8.3 树模型 177 8.3.1 决策树模型 177 8.3.2 集成算法模型 183 8.4 深度学习模型 191 8.4.1 Wide & Deep模型 191 8.4.2 Deep FM模型 197 8.5 本章小结 199 第9章 推荐系统的评价 200 9.1 推荐评估的目的 200 9.2 推荐系统的评价指标 200 9.2.1 RMSE和R方 204 9.2.2 MAP和MRR 204 9.2.3 其他相关指标 205 9.3 推荐系统的评估实验方法 206 9.3.1 离线评估 206 9.3.2 在线评估 209 9.3.3 主观评估 213 9.4 本章小结 217 第四部分 应用 第10章 搜索引擎工具 220 10.1 Lucene简介 220 10.1.1 Lucene的由来及现状 220 10.1.2 Lucene创建索引过程分析 223 10.1.3 Lucene的搜索过程解析 224 10.2 Solr简介 226 10.2.1 Solr特性 228 10.2.2 Solr的核心概念 228 10.2.3 Solr的核心功能 228 10.3 Elasticsearch简介 230 10.3.1 Elasticsearch的核心概念 230 10.3.2 Elasticsearch的核心功能 231 10.4 搜索引擎工具对比 232 10.5 本章小结 233 第11章 搜索应用实战：基于电商的搜索开发 234 11.1 电商搜索系统的架构设计 234 11.2 ES在搜索系统中的应用 236 11.3 NLP在搜索系统中的应用 237 11.4 商品数据排序算法研究 240 11.5 搜索排序的评价及优化 241 11.6 深度学习在搜索系统中的应用 243 11.7 电商搜索系统中的SEM 243 11.8 本章小结 246 第12章 推荐应用实战：基于广告平台的推荐 247 12.1 推荐系统的架构设计 247 12.2 推荐系统的召回和冷启动 249 12.3 ES在推荐系统中的应用 251 12.4 推荐系统中NLP的应用 252 12.5 推荐系统中粗排和精排 253 12.6 推荐系统的评价和优化 254 12.7 深度学习在推荐系统应用 255 12.8 本章小结 257 |