正版新书]PyTorch图神经网络[美]马克西姆·拉伯恩 著 唐 盛 译

第1篇图学习简介

第1章图学习入门3

1.1使用图的原因3

1.2进行图学习的原因5

1.3构建图神经网络的原因7

1.4小结9

1.5延伸阅读10

第2章图神经网络的图论11

2.1技术要求11

2.2介绍图属性11

2.2.1有向图12

2.2.2加权图13

2.2.3连通图14

2.2.4图的类型15

2.3发现图概念17

2.3.1基础对象17

2.3.2图的度量18

2.3.3邻接矩阵表示20

2.3.4边列表21

2.3.5邻接列表21

2.4探索图算法22

2.4.1广度优先搜索22

2.4.2深度优先搜索24

2.5小结25



第2篇基础知识

第3章使用DeepWalk创建节点表示29

3.1技术要求29

3.2Word2Vec简介30

3.2.1CBOW与skip-gram30

3.2.2创建skip-gram31

3.2.3skip-gram模型33

3.3DeepWalk和随机游走37

3.4实现DeepWalk40

3.5小结44

3.6延伸阅读45

第4章在Node2Vec中使用有偏随机游走改进嵌入47

4.1技术要求47

4.2Node2Vec简介48

4.2.1定义邻域48

4.2.2在随机游走中引入偏差49

4.3实现Node2Vec53

4.4构建电影推荐系统56

4.4.1基于用户评分创建电影连接图57

4.4.2实现电影推荐系统59

4.5小结61

4.6延伸阅读61

第5章使用普通神经网络包含节点特征63

5.1技术要求63

5.2图数据集介绍64

5.2.1Cora数据集64

5.2.2FacebookPage-Page数据集66

5.3使用普通神经网络对节点进行分类69

5.3.1转换数据69

5.3.2创建自定义多层感知器类70

5.3.3创建、训练和测试多层感知器实例72

5.4使用普通图神经网络对节点进行分类73

5.5小结78

5.6延伸阅读78

第6章图卷积网络79

6.1技术要求79

6.2设计图卷积层80

6.3比较图卷积层和图线性层84

6.3.1分析数据集中的节点度84

6.3.2实现图卷积网络86

6.4通过节点回归预测网络流量89

6.4.1了解数据集89

6.4.2定义GCN类92

6.4.3使用MSE指标93

6.4.4使用RMSE和MAE指标95

6.5小结96

6.6延伸阅读97

第7章图注意力网络99

7.1技术要求99

7.2图注意力层简介100

7.2.1线性变换100

7.2.2激活函数101

7.2.3softmax归一化101

7.2.4多头注意力102

7.2.5改进的图注意力层103

7.3在NumPy中实现图注意力层103

7.4在PyTorchGeometric中实现图注意力网络107

7.4.1在Cora数据集上使用GATv2图注意力网络107

7.4.2在CiteSeer数据集上使用图注意力网络110

7.4.3验证假设113

7.5小结115



第3篇高级技术

第8章使用GraphSAGE扩展图神经网络119

8.1技术要求119

8.2GraphSAGE简介120

8.2.1邻居采样120

8.2.2聚合123

8.3PubMed数据集上的节点分类124

8.4蛋白质-蛋白质相互作用的归纳学习131

8.5小结135

8.6延伸阅读136

第9章定义图分类的表达能力137

9.1技术要求137

9.2定义表达能力138

9.3图同构网络简介140

9.4使用GIN对图进行分类141

9.4.1图分类141

9.4.2实现GIN142

9.4.3验证假设148

9.4.4简单集成模型150

9.5小结151

9.6延伸阅读152

第10章使用图神经网络预测链接153

10.1技术要求153

10.2使用传统方法预测链接154

10.2.1启发式技术154

10.2.2矩阵分解156

10.3使用节点嵌入预测链接157

10.3.1GAE简介157

10.3.2VGAE简介158

10.3.3实现VGAE159

10.4使用SEAL预测链接162

10.4.1SEAL框架简介162

10.4.2实现SEAL框架164

10.5小结169

10.6延伸阅读170

第11章使用图神经网络生成图171

11.1技术要求171

11.2使用传统技术生成图172

11.2.1Erd?s–Rényi模型172

11.2.2小世界模型174

11.3使用图神经网络生成图176

11.3.1图变分自动编码器176

11.3.2自回归模型178

11.3.3生成对抗网络179

11.4使用MolGAN生成分子181

11.5小结185

11.6延伸阅读185

第12章从异构图学习187

12.1技术要求187

12.2消息传递神经网络框架188

12.3引入异构图190

12.4将同构图神经网络转换为异构图神经网络193

12.4.1使用DBLP数据集193

12.4.2实现图注意力网络作为基线194

12.4.3创建图注意力网络的异构版本197

12.5实现分层自注意力网络199

12.6小结203

12.7延伸阅读204

第13章时序图神经网络205

13.1技术要求205

13.2动态图简介206

13.3预测网络流量206

13.3.1EvolveGCN简介206

13.3.2实现EvolveGCN209

13.4预测COVID-19病例216

13.4.1MPNN-LSTM简介217

13.4.2可视化示例数据集218

13.4.3实现MPNN-LSTM219

13.5小结223

13.6延伸阅读223

第14章解释图神经网络225

14.1技术要求225

14.2可解释AI技术简介226

14.3使用GNNExplainer解释图神经网络227

14.3.1GNNExplainer简介227

14.3.2实现GNNExplainer228

14.4使用Captum解释图神经网络231

14.4.1Captum和积分梯度232

14.4.2实现积分梯度232

14.5小结237

14.6延伸阅读237

第4篇应用

第15章使用A3T-GCN预测交通241

15.1技术要求241

15.2探索PeMS-M数据集242

15.2.1可视化交通速度的变化243

15.2.2可视化平均交通速度和标准差244

15.2.3可视化速度之间的相关性245

15.3处理数据集247

15.3.1将表格数据转换为图247

15.3.2归一化速度数据250

15.3.3创建时序图251

15.4实现A3T-GCN架构252

15.4.1A3T-GCN架构简介252

15.4.2使用PyTorchGeometricTemporal库来实现A3T-GCN架构253

15.4.3评估模型性能254

15.4.4可视化平均预测结果256

15.5小结258

15.6延伸阅读258

第16章使用异构图神经网络检测异常259

16.1技术要求259

16.2探索CIDDS-001数据集260

16.3预处理CIDDS-001数据集264

16.3.1处理多种类型的数据264

16.3.2将DataFrame转换为图267

16.4实现异构图神经网络270

16.5小结276

16.6延伸阅读276

第17章使用LightGCN构建推荐系统277

17.1技术要求277

17.2探索Book-Crossing数据集278

17.3预处理Book-Crossing数据集283

17.4实现LightGCN架构286

17.4.1LightGCN架构的基本原理287

17.4.2使用PyTorchGeometric创建模型288

17.4.3编写损失函数290

17.4.4训练LightGCN模型291

17.4.5编写推荐函数293

17.5小结295

17.6延伸阅读295

第18章释放图神经网络在实际应用中的潜力297

Maxime Labonne是摩根大通（J.P. Morgan）的高级应用研究员，拥有巴黎理工学院（Polytechnic Institute of Paris）机器学习和网络安全专业博士学位。在攻读博士学位期间，Maxime致力于开发用于计算机网络异常检测的机器学习算法。随后，他加入了空中客车公司的人工智能连接实验室（AI Connectivity Lab），运用自己在机器学习方面的专业知识来提高计算机网络的安全性和性能。后来他加入了摩根大通，目前在该公司开发解决金融和其他领域各种挑战性问题的技术。

"《PyTorch图神经网络》详细阐述了与图神经网络相关的基本解决方案，主要包括图学习入门、图神经网络的图论、使用DeepWalk创建节点表示、在Node2Vec中使用有偏随机游走改进嵌入、使用普通神经网络包含节点特征、图卷积网络、图注意力网络、使用GraphSAGE扩展图神经网络、定义图分类的表达能力、使用图神经网络预测链接、使用图神经网络生成图、从异构图学习、时序图神经网络、解释图神经网络、使用A3T-GCN预测交通、使用异构图神经网络检测异常、使用LightGCN构建推荐系统、释放图神经网络在实际应用中的潜力等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。"