| 作者 |
| 威廉·汉密尔顿（William Hamilton） |
| 丛书名 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121410772 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书提供了一份关于图表示学习的综述。 首先，本书讨论图表示学习的目标及图论和网络分析的关键方法论。 然后，本书介绍并回顾了学习节点嵌入的方法，包括基于随机游走的方法以及在知识图谱上的应用。 再后，本书对高度成功的图神经网络（ Graph Neural Network， GNN）进行了技术上的综合介绍， GNN已成为图数据深度学习领域占主导地位且迅速发展的范式。 末尾，本书总结了针对图的深度生成模型的前沿进展，这是图表示学习新生但发展迅速的子集。 |
| 目录 |
| 第一部分 背景介绍 第1 章 引言 ........................................ 2 1.1 什么是图 ........................................ 3 1.2 图机器学习 ........................................ 6 第2 章 背景与传统方法 ........................................ 13 2.1 图统计特征与核方法 ........................................ 14 2.2 邻域重叠检测 ........................................ 23 2.3 图的拉普拉斯矩阵和图的谱方法 ........................................ 32 2.4 面向表示学习 ........................................ 41 第二部分 节点嵌入 第3 章 邻域节点重构 ........................................ 44 3.1 编码-解码框架 ........................................ 45 3.2 基于因式分解的方法 ........................................ 49 3.3 随机游走嵌入表示 ........................................ 52 3.4 shallow embedding 的局限性 ........................................ 56 第4 章 多关系数据及知识图谱 ........................................ 58 4.1 重建多关系数据 ........................................ 59 4.2 损失函数 ........................................ 60 4.3 多关系解码器 ........................................ 64 4.4 解码器的性能表征 ........................................ 68 第三部分 图神经网络（GNN） 第5 章 图神经网络（GNN）模型 ........................................ 72 5.1 神经消息传递 ........................................ 74 5.2 广义邻域聚合 ........................................ 80 5.3 广义的更新方法 ........................................ 89 5.4 边特征和多元关系GNN ........................................ 96 5.5 图池化 ........................................ 99 5.6 通用的消息传递方法 ........................................ 102 第6 章 图神经网络（GNN）的实现 ........................................ 104 6.1 应用和损失函数 ........................................ 104 6.2 效率问题和节点采样 ........................................ 110 6.3 参数共享与正则化 ........................................ 112 第7 章 图神经网络（GNN）的理论动机 ........................................ 114 7.1 GNN与图卷积 ........................................ 115 7.2 GNN和概率图模型 ........................................ 135 7.3 GNN与图同构 ........................................ 141 第四部分 生成图模型 第8 章 传统图生成方法 ........................................ 158 8.1 传统方法概述 ........................................ 159 8.2 ERDÖS–RÉNYI 模型 ........................................ 159 8.3 随机块模型 ........................................ 160 8.4 优先链接模型 ........................................ 161 8.5 传统应用 ........................................ 163 第9 章 深度生成模型 ........................................ 165 9.1 VAE 方法 ........................................ 166 9.2 对抗方法 ........................................ 176 9.3 自回归模型 ........................................ 178 9.4 图生成的评估 ........................................ 184 9.5 分子图生成 ........................................ 185 |