- 图机器学习
- - 作者：武强//吕琳媛|责编:吴晋瑜
  - 出版社：人民邮电
  - ISBN：9787115644473
  - 出版日期：2025/09/01
  - 页数：257
- 售价：47.92

内容大纲
    本书通过系统而全面的介绍，帮助读者深入理解和掌握图机器学习的基本原理、方法和技术；同时，通过丰富的案例和实践经验，展示了图机器学习在各个领域的应用价值和广阔前景。
    本书基于斯坦福大学图机器学习CS224W课程的内容编写，结合作者自身和团队学生在图机器学习中的痛点和实践经验，重新梳理知识脉络，重点介绍图机器学习的相关知识，并对前沿的图机器学习会议论文和网络科学的最新发展趋势进行探讨与展望。
    本书适合所有对图机器学习感兴趣的读者参考。
作者介绍
目录
第1章  引言
  1.1  图机器学习概述
    1.1.1  为什么需要图机器学习
    1.1.2  图机器学习的分类
  1.2  图机器学习应用
  1.3  图机器学习任务
    1.3.1  节点预测
    1.3.2  链接预测
    1.3.3  整图预测
  1.4  图机器学习展望
  1.5  本章小结
  1.6  参考文献
第2章  图机器学习基础
  2.1  图论基础
    2.1.1  基本概念
    2.1.2  表示方法
    2.1.3  节点重要性指标
    2.1.4  异质图
    2.1.5  图生成模型
    2.1.6  网络子图
    2.1.7  网络社区
  2.2  机器学习基础
    2.2.1  感知机
    2.2.2  深度学习
    2.2.3  激活函数
    2.2.4  损失函数和梯度下降
    2.2.5  反向传播
  2.3  本章小结
  2.4  参考文献
第3章  基于图基础结构特征的图机器学习
  3.1  图基础结构特征与图机器学习
  3.2  基于节点特征的图机器学习
    3.2.1  用聚类系数表示节点特征
    3.2.2  用图元向量表示节点特征
  3.3  基于链接特征的图机器学习
    3.3.1  基于距离的特征
    3.3.2  局部邻域重叠
    3.3.3  全局邻域重叠
  3.4  基于整图特征的图机器学习
    3.4.1  基于图内核的表示方法
    3.4.2  基于图元特征的表示方法
    3.4.3  基于WL内核的表示方法
  3.5  本章小结
  3.6  参考文献
第4章  图嵌入表示
  4.1  为什么需要图嵌入
  4.2  图嵌入的编解码架构
  4.3  节点嵌入
    4.3.1  浅层嵌入
    4.3.2  随机游走嵌入

    4.3.3  有偏随机游走嵌入
  4.4  整图嵌入
    4.4.1  求和法
    4.4.2  虚拟节点法
    4.4.3  匿名游走嵌入
    4.4.4  可学习游走嵌入
    4.4.5  整图嵌入的应用
  4.5  本章小结
  4.6  参考文献
第5章  图矩阵分解
  5.1  矩阵分解与节点嵌入
    5.1.1  矩阵分解
    5.1.2  矩阵分解与随机游走的局限性
  5.2  PageRank算法
    5.2.1  PageRank算法背景
    5.2.2  PageRank矩阵表示
    5.2.3  PageRank与随机游走
  5.3  PageRank计算和优化
    5.3.1  幂迭代法
    5.3.2  PageRank存在的问题
    5.3.3  PageRank算法的局限性
    5.3.4  个性化PageRank和带重启的随机游走
  5.4  本章小结
  5.5  参考文献
第6章  消息传递与节点分类
  6.1  网络关联与集体分类
    6.1.1  网络关联
    6.1.2  集体分类
  6.2  关系分类
  6.3  迭代分类
    6.3.1  迭代分类定义
    6.3.2  迭代分类方法
    6.3.3  迭代分类过程举例
  6.4  信念传播
    6.4.1  信念传播定义
    6.4.2  信念传播过程
    6.4.3  信念传播的优点和不足
  6.5  矫正与平滑
    6.5.1  C&S方法介绍
    6.5.2  用C&S方法处理节点预测问题
  6.6  本章小结
  6.7  参考文献
第7章  图神经网络研究思路与经典模型
  7.1  图神经网络的研究思路
    7.1.1  图神经网络基础
    7.1.2  图神经网络方法
    7.1.3  图神经网络训练
  7.2  图神经网络的结构
    7.2.1  网络结构
    7.2.2  批量标准化

    7.2.3  Dropout方法
  7.3  经典图神经网络：图卷积神经网络
    7.3.1  GCN的空域理解
    7.3.2  图傅里叶变换
    7.3.3  图卷积神经网络的谱域解释
  7.4  经典图神经网络：GraphSAGE和GAT
    7.4.1  GraphSAGE
    7.4.2  GAT
  7.5  代码实践
  7.6  本章小结
  7.7  参考文献
第8章  图神经网络设计
  8.1  多层图神经网络设计
    8.1.1  过度平滑问题的产生
    8.1.2  过度平滑的解决思路
  8.2  图增强设计
    8.2.1  图特征增强
    8.2.2  图结构增强
  8.3  图神经网络表达能力设计
    8.3.1  图神经网络表达能力概述
    8.3.2  GCN和GraphSAGE的表达能力分析
  8.4  图同构网络模型
    8.4.1  重集上的单射函数
    8.4.2  GIN模型设计
    8.4.3  GIN模型与WL图内核的联系
  8.5  本章小结
  8.6  参考文献
第9章  图神经网络训练
  9.1  图神经网络预测头设置
    9.1.1  节点级别任务
    9.1.2  链接级别任务
    9.1.3  图级别任务
  9.2  图神经网络训练基础条件
    9.2.1  损失函数
    9.2.2  评估函数
  9.3  图神经网络训练流程
    9.3.1  数据集划分
    9.3.2  GNN训练流程
    9.3.3  GNN设置和调试
  9.4  代码实践
    9.4.1  数据介绍
    9.4.2  多层GNN模型实现
    9.4.3  训练和测试过程
  9.5  本章小结
  9.6  参考文献
第10章  图神经网络优化
  10.1  图神经网络的局限性
    10.1.1  结构识别缺陷
    10.1.2  位置识别缺陷
    10.1.3  图同构测试限制GNN的表达能力上限

  10.2  图神经网络的优化思路
    10.2.1  基于位置感知的GNN优化
    10.2.2  基于身份感知的GNN优化
  10.3  图神经网络的鲁棒性分析
    10.3.1  深度学习的鲁棒性
    10.3.2  GNN的鲁棒性
  10.4  本章小结
  10.5  参考文献
第11章  大规模图神经网络
  11.1  GNN在大规模网络中的应用
    11.1.1  大规模图应用场景
    11.1.2  大规模图应用问题
  11.2  邻域抽样模型
    11.2.1  模型思路
    11.2.2  重启随机游走算法
    11.2.3  避免冗余计算的模型
  11.3  Cluster-GCN模型
    11.3.1  模型思路
    11.3.2  模型训练
    11.3.3  模型优化
  11.4  Simplifying-GCN模型
    11.4.1  模型思路
    11.4.2  模型训练
  11.5  本章小结
  11.6  参考文献
第12章  图神经网络在知识图谱中的应用
  12.1  关系图卷积神经网络
    12.1.1  R-GCN模型介绍
    12.1.2  R-GCN的扩展性
    12.1.3  R-GCN的应用
  12.2  知识图谱初步
    12.2.1  知识图谱概念
    12.2.2  知识图谱补全
  12.3  知识图谱查询
    12.3.1  基础查询
    12.3.2  高级查询
  12.4  知识图谱构建和存储
    12.4.1  知识图谱构建
    12.4.2  知识图谱存储
  12.5  本章小结
  12.6  参考文献
第13章  图神经网络在网络科学领域的应用
  13.1  深度图生成模型
    13.1.1  深度图生成模型初步
    13.1.2  GraphRNN图生成模型
    13.1.3  图生成模型的评估和优化
  13.2  基于图神经网络的子图挖掘
    13.2.1  子图嵌入表示
    13.2.2  识别高频子图结构
  13.3  基于图神经网络的社区发现

    13.3.1  Louvain算法
    13.3.2  重叠社区检测算法BigCLAM和NOCD
  13.4  本章小结
  13.5  参考文献
第14章  图神经网络在推荐系统和自然语言处理中的应用
  14.1  图神经网络与推荐系统
    14.1.1  推荐系统概述
    14.1.2  基于图节点嵌入的推荐模型
    14.1.3  基于协同过滤的GNN推荐模型
    14.1.4  大规模图神经网络推荐模型PinSAGE
  14.2  图神经网络与自然语言处理
    14.2.1  自然语言处理概要
    14.2.2  NLP中图的构建与处理
    14.2.3  基于图的编码器-解码器模型
    14.2.4  图在自然语言处理中的具体应用
  14.3  本章小结
  14.4  参考文献
第15章  图神经网络在自然科学研究中的应用
  15.1  图神经网络在物理学中的应用
    15.1.1  图神经网络重新发现万有引力定律
    15.1.2  用图神经网络实现复杂物理世界的仿真模拟
  15.2  图神经网络在生物化学和医疗领域的应用
    15.2.1  GNN辅助药物发现
    15.2.2  GNN预测蛋白质折叠结构
    15.2.3  GNN辅助医疗诊断
    15.2.4  GNN与天气预报
  15.3  本章小结
  15.4  参考文献
第16章  总结和展望
  16.1  图机器学习模型及应用
    16.1.1  图机器学习模型总结
    16.1.2  图机器学习应用总结
  16.2  图机器学习未来展望
    16.2.1  预训练图神经网络
    16.2.2  双曲图神经网络
    16.2.3  图机器学习与其他技术的结合

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目