[正版]书图神经网络:基础前沿与应用 吴凌飞崔鹏裴健 GNN深度学习图表征学习图论自然语言处理人工智能机器学习匹配模型书

         店铺公告

  为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。

温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货），

关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

  本店存在书、古旧书、收藏书、二手书等特殊商品，因受采购成本限制,可能高于定价销售，明码标价，介意者勿拍!

1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍，避免价格争议!

2.店铺无纸质均开具电子，请联系客服开具电子版

 

图神经网络：基础、前沿与应用
	定价	178.80
	出版社	人民邮电出版社
	版次	1
	出版时间	2022年12月
	开本	16
	作者
	装帧	平装
	页数
	字数
	ISBN编码	9787115598721

基本信息

图书名称：

图神经网络:基础、前沿与应用

作者：

吴凌飞,崔鹏,裴健 等

定价：

178.80

ISBN号：

9787115598721

出版社：

人民邮电出版社

开本：

16开

装帧：

平装

编辑推荐

适读人群 ：本书适合高年级本科生和研究生、博士后研究人员、讲师以及行业从业者阅读与参考。

前沿：图神经网络是机器学习、数据科学、数据挖掘领域新兴的发展方向，被称作图上的深度学习，有望推动第三代人工智能的顺利发展。

 

丰富：综述图神经网络的基础理论、模拟算法、研究前沿以及广泛和新兴的应用场景

 

深入：摒弃简单介绍概念与框架的思维，深入分析图神经网络的现状以及未来的调整与机遇，帮助专业人士和初学者知其然知其所以然

 

力荐：囊括国内AI界半壁江山的大咖联袂推荐

内容介绍

本书致力于介绍图神经网络的基本概念和算法、研究前沿以及广泛和新兴的应用，涵盖图神经网络的广泛主题，从基础到前沿，从方法到应用，涉及从方法论到应用场景方方面面的内容。全书分为四部分：第一部分介绍图神经网络的基本概念；第二部分讨论图神经网络成熟的方法；第三部分介绍图神经网络典型的前沿领域；第四部分描述可能对图神经网络未来研究比较重要和有前途的方法与应用的进展情况。

 

本书适合高年级本科生和研究生、博士后研究人员、讲师以及行业从业者阅读与参考。

作者介绍

吴凌飞博士

 

毕业于美国公立常春藤盟校之一的威廉与玛丽学院计算机系。目前他是Pinterest公司主管知识图谱和内容理解的研发工程经理。曾任京东硅谷研究中心的首席科学家和IBM Thomas J. Vatson Research Centerl的高级研究员。主要研究方向是机器学习、表征学习和自然语言处理的有机结合，在图神经网络及其应用方面有深入研究。他在机器学习、深度学习等领域的著名会议或期刊上发表100多篇论文。

 

崔鹏博士

 

清华大学计算机系终身副教授。于2010年在清华大学获得博士学位。研究兴趣包括数据挖掘、机器学习和多媒体分析，擅长网络表示学习、因果推理和稳定学习、社会动力学建模和用户行为建模等。他在机器学习和数据挖掘领域的著名会议或期刊上发表100多篇论文。

 

裴健博士

 

杜克大学电子与计算机工程系教授。他是数据科学、大数据、数据挖掘和数据库系统等领域的研究人员。他擅长为新型数据密集型应用开发有效的数据分析技术，并将其研究成果转化为产品和商业实践。自2000年以来，他已经出版一本教科书、两本专著，并在众多具有影响力的会议或期刊上发表300多篇论文。

 

赵亮博士

 

埃默里大学计算科学系助理教授。曾在乔治梅森大学信息科学与技术系和计算机科学系担任助理教授。于2016年在弗吉尼亚理工大学计算机科学系获得博士学位。研究兴趣包括数据挖掘、人工智能和机器学习，在时空和网络数据挖掘、图深度学习、非凸优化、事件预测和可解释机器学习等方面有深入研究。

目录

第 一部分 引言

 

第 1章 表征学习 2

 

1.1 导读 2

 

1.2 不同领域的表征学习 3

 

1.2.1 用于图像处理的表征学习 3

 

1.2.2 用于语音识别的表征学习 5

 

1.2.3 用于自然语言处理的表征学习 7

 

1.2.4 用于网络分析的表征学习 8

 

1.3 小结 9

 

第 2章 图表征学习 11

 

2.1 导读 11

 

2.2 传统图嵌入方法 12

 

2.3 现代图嵌入方法 13

 

2.3.1 保留图结构和属性的图表征学习 13

 

2.3.2 带有侧面信息的图表征学习 15

 

2.3.3 保留高级信息的图表征学习 15

 

2.4 图神经网络 16

 

2.5 小结 17

 

第3章 图神经网络 18

 

3.1 导读 18

 

3.2 图神经网络概述 19

 

3.2.1 图神经网络基础 19

 

3.2.2 图神经网络前沿 20

 

3.2.3 图神经网络应用 22

 

3.2.4 本书组织结构 23

 

3.3 小结 24

 

第二部分 基础

 

第4章 用于节点分类的图神经网络 28

 

4.1 背景和问题定义 28

 

4.2 有监督的图神经网络 29

 

4.2.1 图神经网络的一般框架 29

 

4.2.2 图卷积网络 30

 

4.2.3 图注意力网络 32

 

4.2.4 消息传递神经网络 33

 

4.2.5 连续图神经网络 33

 

4.2.6 多尺度谱图卷积网络 35

 

4.3 无监督的图神经网络 37

 

4.3.1 变分图自编码器 37

 

4.3.2 深度图信息最大化 39

 

4.4 过平滑问题 41

 

4.5 小结 42

 

第5章 图神经网络的表达能力 44

 

5.1 导读 44

 

5.2 图表征学习和问题的提出 47

 

5.3 强大的消息传递图神经网络 49

 

5.3.1 用于集合的神经网络 49

 

5.3.2 消息传递图神经网络 50

 

5.3.3 MP-GNN的表达能力 51

 

5.3.4 具有1-WL测试能力的MP-GNN 53

 

5.4 比1-WL测试更强大的图神经网络架构 54

 

5.4.1 MP-GNN的局限性 54

 

5.4.2 注入随机属性 56

 

5.4.3 注入确定性距离属性 61

 

5.4.4 建立高阶图神经网络 65

 

5.5 小结 69

 

第6章 图神经网络的可扩展性 71

 

6.1 导读 71

 

6.2 引言 72

 

6.3 抽样范式 72

 

6.3.1 节点级抽样 74

 

6.3.2 层级抽样 76

 

6.3.3 图级抽样 79

 

6.4 大规模图神经网络在推荐系统中的应用 82

 

6.4.1 物品-物品推荐 82

 

6.4.2 用户-物品推荐 83

 

6.5 未来的方向 84

 

第7章 图神经网络的可解释性 86

 

7.1 背景：深度模型的可解释性 86

 

7.1.1 可解释性和解释的定义 86

 

7.1.2 解释的价值 87

 

7.1.3 传统的解释方法 88

 

7.1.4 机遇与挑战 90

 

7.2 图神经网络的解释方法 90

 

7.2.1 背景 91

 

7.2.2 基于近似的解释 92

 

7.2.3 基于相关性传播的解释 95

 

7.2.4 基于扰动的解释 96

 

7.2.5 生成式解释 97

 

7.3 图神经网络的可解释模型 97

 

7.3.1 基于GNN的注意力模型 98

 

7.3.2 图上的解耦化表征学习 100

 

7.4 图神经网络解释的评估 101

 

7.4.1 基准数据集 101

 

7.4.2 评价指标 103

 

7.5 未来的方向 103

 

第8章 图神经网络的对抗鲁棒性 105

 

8.1 动机 105

 

8.2 图神经网络的局限性：对抗性样本 107

 

8.2.1 对抗性攻击的分类 107

 

8.2.2 扰动的影响和一些启示 110

 

8.2.3 讨论和未来的方向 112

 

8.3 可证明的鲁棒性：图神经网络的认证 113

 

8.3.1 特定模型的认证 113

 

8.3.2 模型无关的认证 115

 

8.3.3 高级认证和讨论 116

 

8.4 提高图神经网络的鲁棒性 117

 

8.4.1 改进图 117

 

8.4.2 改进训练过程 118

 

8.4.3 改进图神经网络的架构 120

 

8.4.4 讨论和未来的方向 121

 

8.5 从鲁棒性的角度进行适当评估 122

 

8.6 小结 124

 

第三部分 前沿

 

第9章 图分类 128

 

9.1 导读 128

 

9.2 用于图分类的图神经网络：典型工作和现代架构 129

 

9.2.1 空间方法 129

 

9.2.2 频谱方法 132

 

9.3 池化层：从节点级输出学习图级输出 133

 

9.3.1 基于注意力的池化层 134

 

9.3.2 基于聚类的池化层 134

 

9.3.3 其他池化层 134

 

9.4 图神经网络和高阶层在图分类中的局限性 135

 

9.5 图神经网络在图分类中的应用 137

 

9.6 基准数据集 137

 

9.7 小结 138

 

第 10章 链接预测 139

 

10.1 导读 139

 

10.2 传统的链接预测方法 140

 

10.2.1 启发式方法 140

 

10.2.2 潜在特征方法 143

 

10.2.3 基于内容的方法 145

 

10.3 基于GNN的链接预测方法 145

 

10.3.1 基于节点的方法 145

 

10.3.2 基于子图的方法 147

 

10.3.3 比较基于节点的方法和基于子图的方法 150

 

10.4 链接预测的理论 151

 

10.4.1 γ–衰减启发式理论 151

 

10.4.2 贴标签技巧 155

 

10.5 未来的方向 158

 

10.5.1 加速基于子图的方法 158

 

10.5.2 设计更强大的贴标签技巧 159

 

10.5.3 了解何时使用独热特征 159

 

第 11章 图生成 160

 

11.1 导读 160

 

11.2 经典的图生成模型 160

 

11.3 深度图生成模型 163

 

11.4 小结 178

 

第 12章 图转换 179

 

12.1 图转换问题的形式化 179

 

12.2 节点级转换 180

 

12.3 边级转换 182

 

12.4 节点-边共转换 186

 

12.5 其他基于图的转换 193

 

12.6 小结 196

 

第 13章 图匹配 197

 

13.1 导读 197

 

13.2 图匹配学习 198

 

13.3 图相似性学习 205

 

13.4 小结 210

 

第 14章 图结构学习 211

 

14.1 导读 211

 

14.2 传统的图结构学习 212

 

14.3 图神经网络的图结构学习 215

 

14.4 未来的方向 226

 

14.5 小结 227

 

第 15章 动态图神经网络 228

 

15.1 导读 228

 

15.2 背景和表示法 229

 

15.3 动态图的类型 233

 

15.4 用图神经网络对动态图进行建模 236

 

15.5 应用 242

 

15.6 小结 247

 

第 16章 异质图神经网络 248

 

16.1 HGNN简介 248

 

16.2 浅层模型 251

 

16.3 深度模型 254

 

16.4 回顾 259

 

16.5 未来的方向 259

 

第 17章 自动机器学习 262

 

17.1 背景 262

 

17.2 搜索空间 265

 

17.3 搜索算法 269

 

17.4 未来的方向 273

 

第 18章 自监督学习 275

 

18.1 导读 275

 

18.2 自监督学习概述 276

 

18.3 将SSL应用于图神经网络：对训练策略、损失函数和代理任务进行分类 277

 

18.4 节点级代理任务 283

 

18.5 图级代理任务 287

 

18.6 节点-图级代理任务 293

 

18.7 讨论 294

 

18.8 小结 295

 

第四部分 广泛和新兴的应用

 

第 19章 现代推荐系统中的图神经网络 298

 

19.1 图神经网络在推荐系统中的实践 298

 

19.2 案例研究1：动态的GNN学习 304

 

19.3 案例研究2：设备-云协作的GNN学习 309

 

19.4 未来的方向 313

 

第 20章 计算机视觉中的图神经网络 315

 

20.1 导读 315

 

20.2 将视觉表征为图 316

 

20.3 案例研究1：图像 318

 

20.4 案例研究2：视频 320

 

20.5 其他相关工作：跨媒体 322

 

20.6 图神经网络在计算机视觉中的前沿问题 324

 

20.7 小结 326

 

第 21章 自然语言处理中的图神经网络 327

 

21.1 导读 327

 

21.2 将文本建模为图 329

 

21.3 案例研究1：基于图的文本聚类和匹配 332

 

21.4 案例研究2：基于图的多跳阅读理解 335

 

21.5 未来的方向 338

 

21.6 小结 339

 

第 22章 程序分析中的图神经网络 341

 

22.1 导读 341

 

22.2 程序分析中的机器学习 342

 

22.3 程序的图表征 343

 

22.4 用于程序图的图神经网络 345

 

22.5 案例研究1：检测变量误用缺陷 346

 

22.6 案例研究2：预测动态类型化语言中的类型 348

 

22.7 未来的方向 350

 

第 23章 软件挖掘中的图神经网络 352

 

23.1 导读 352

 

23.2 将软件建模为图 353

 

23.3 相关的软件挖掘任务 355

 

23.4 软件挖掘任务实例：源代码总结 357

 

23.5 小结 364

 

第 24章 药物开发中基于图神经网络的生物医学知识图谱挖掘 366

 

24.1 导读 366

 

24.2 现有的生物医学知识图谱 367

 

24.3 知识图谱的推理 369

 

24.4 药物开发中基于KG的假设生成 374

 

24.5 未来的方向 376

 

第 25章 预测蛋白质功能和相互作用的图神经网络 383

 

25.1 从蛋白质的相互作用到功能简介 383

 

25.2 三个典型的案例研究 387

 

25.3 未来的方向 393

 

第 26章 异常检测中的图神经网络 395

 

26.1 导读 395

 

26.2 基于GNN的异常检测的问题 397

 

26.3 流水线 400

 

26.4 分类法 403

 

26.5 案例研究 404

 

26.6 未来的方向 409

 

第 27章 智慧城市中的图神经网络 410

 

27.1 用于智慧城市的图神经网络 410

 

27.2 未来的方向 419

 

参考文献 420

1