[正版]全2本图神经网络 基础与前沿+图深度学习 深层网络无监督学规模训练知识图谱推理 网络应用书籍

        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。

图神经网络：基础与前沿

图神经网络是人工智能领域的一个新兴方向，它不仅迅速得到了学术界的广泛关注，而且被成功地应用在工业界的多个领域。本书介绍了图神经网络和图深度学习的基础知识和前沿研究，不仅包括它们的发展历史和经典模型，还包括图神经网络在深层网络、无监督学习、大规模训练、知识图谱推理等方面的前沿研究，以及它们在不同领域（如推荐系统、生化医疗、自然语言处理等）的实际应用。 本书既可作为人工智能领域研究和开发人员的技术参考书，也可作为对图上的深度学习感兴趣的高年级本科生和研究生的入门书。 

图深度学习

本书全面介绍了图深度学习的理论基础、模型方法及实际应用。全书分为4 篇，共15 章。第1 篇为基础理论，重点介绍图和深度学习的基础知识，包括图的关键概念和属性、各种基础的神经网络模型、训练深度学习模型的关键方法以及防止训练过程中过度拟合的实用技术；第2 篇为模型方法，涵盖了从基本设置到高级设置的成熟的图深度学习方法，包括图嵌入、图过滤和池化操作、图对抗攻击和图对抗防御技术、可扩展性图神经网络的代表性技术以及图神经网络之外的众多图深度模型；第3 篇为实际应用，重点介绍了*具代表性的实际应用，包括自然语言处理、计算机视觉、数据挖掘、生物化学与医疗健康等；第4 篇为前沿进展，介绍了有可能成为将来研究热点的高级方法和应用，主要从表达性、深度、公平性、可解释性和自监督学习等内容。在组织结构方面，每章首先介绍写作动机，然后通过具体示例或技术细节介绍相应内容，*后提供更多的扩展阅读知识。本书既适合对数据挖掘、机器学习和社交网络分析感兴趣的本科生和研究生阅读，也适合企业开发者和项目经理阅读。对于没有计算机科学背景，但想要应用图神经网络来推进其所在学科发展的研究人员，本书同样是一本值得参考的读物。 

图神经网络：基础与前沿

第 1 章 当深度学习遇上图：图神经网络的兴起 1 

1.1 什么是图1
1.2 深度学习与图 2
1.2.1 图数据的特殊性质 3
1.2.2 将深度学习扩展到图上的挑战 4
1.3 图神经网络的发展 5
1.3.1 图神经网络的历史 5
1.3.2 图神经网络的分类 7
1.4 图神经网络的应用 8
1.4.1 图数据上的任务 8
1.4.2 图神经网络的应用领域 8
1.5 小结 11
第 2 章 预备知识 13
2.1 图的基本概念 13
2.2 简易图谱论 15
2.2.1 拉普拉斯矩阵 16
2.2.2 拉普拉斯二次型 17
2.2.3 拉普拉斯矩阵与图扩散 18
2.2.4 图论傅里叶变换 19
2.3 小结 20
第 3 章 图神经网络模型介绍 21
3.1 基于谱域的图神经网络 21
3.1.1 谱图卷积网络 21
3.1.2 切比雪夫网络 24
3.1.3 图卷积网络 25
3.1.4 谱域图神经网络的局限和发展 27
3.2 基于空域的图神经网络 28
3.2.1 早期的图神经网络与循环图神经网络 28
3.2.2 再谈图卷积网络 29
3.2.3 GraphSAGE：归纳式图表示学习 31
3.2.4 消息传递神经网络 34
3.2.5 图注意力网络 37
3.2.6 图同构网络：Weisfeiler-Lehman 测试与图神经网络的表达力 39
3.3 小试牛刀：图卷积网络实战 42
3.4 小结 46
第 4 章 深入理解图卷积网络 47
4.1 图卷积与拉普拉斯平滑：图卷积网络的过平滑问题 47
4.2 图卷积网络与个性化 PageRank 50
4.3 图卷积网络与低通滤波 52
4.3.1 图卷积网络的低通滤波效果 52
4.3.2 图滤波神经网络 54
4.3.3 简化图卷积网络 55
4.4 小结 56
第 5 章 图神经网络模型的扩展 57
5.1 深层图卷积网络 57
5.1.1 残差连接 58
5.1.2 JK-Net 60
5.1.3 DropEdge 与 PairNorm 60
5.2 图的池化 61
5.2.1 聚类与池化 62
5.2.2 可学习的池化：DiffPool 63
5.2.3 Top-k 池化和 SAGPool 65
5.3 图的无监督学习 67
5.3.1 图的自编码器 67
5.3.2 *大互信息 70
5.3.3 其他 72
5.3.4 图神经网络的预训练 72
5.4 图神经网络的大规模学习 74
5.4.1 点采样 75
5.4.2 层采样 76
5.4.3 图采样 78
5.5 不规则图的深度学习模型 80
5.6 小结 81
第 6 章 其他图嵌入方法 83
6.1 基于矩阵分解的图嵌入方法 83
6.1.1 拉普拉斯特征映射 83
6.1.2 图分解 84
6.2 基于随机游走的图嵌入方法 86
6.2.1 DeepWalk 86
6.2.2 node2vec 87
6.2.3 随机游走与矩阵分解的统一 88
6.3 从自编码器的角度看图嵌入 88
6.4 小结 89
第 7 章 知识图谱与异构图神经网络 91
7.1 知识图谱的定义和任务 92
7.1.1 知识图谱 92
7.1.2 知识图谱嵌入 92
7.2 距离变换模型 94
7.2.1 TransE 模型 94
7.2.2 TransH 模型 95
7.2.3 TransR 模型 96
7.2.4 TransD 模型 97
7.3 语义匹配模型 97
7.3.1 RESCAL 模型 98
7.3.2 DistMult 模型 98
7.3.3 HolE 模型 98
7.3.4 语义匹配能量模型 99
7.3.5 神经张量网络模型 99
7.3.6 ConvE 模型 100
7.4 知识图谱上的图神经网络 100
7.4.1 关系图卷积网络 100
7.4.2 带权重的图卷积编码器 101
7.4.3 知识图谱与图注意力模型 102
7.4.4 图神经网络与传统知识图谱嵌入的结合：CompGCN 103
7.5 小结 103
第 8 章 图神经网络模型的应用 105
8.1 图数据上的一般任务 105
8.1.1 节点分类 106
8.1.2 链路预测 106
8.1.3 图分类 107
8.2 生化医疗相关的应用 108
8.2.1 预测分子的化学性质和化学反应 108
8.2.2 图生成模型与药物发现 109
8.2.3 药物/蛋白质交互图的利用 116
8.3 自然语言处理相关的应用 117
8.4 推荐系统上的应用 121
8.5 计算机视觉相关的应用 123
8.6 其他应用 124
8.7 小结 124
参考文献 127

第1 章绪论1  
1.1 简介2  
1.2 图深度学习的动机2  
1.3 本书内容4  
1.4 本书读者定位6  
1.5 图特征学习的简要发展史7  
1.5.1 图特征选择8  
1.5.2 图表示学习9  
1.6 小结10  
1.7 扩展阅读11  
 图深度学习

第1 篇基础理论  
第2 章图论基础15  
2.1 简介16  
2.2 图的表示16  
2.3 图的性质17  
2.3.1 度17  
2.3.2 连通度19  
2.3.3 中心性21  
2.4 谱图论24  
2.4.1 拉普拉斯矩阵24  
2.4.2 拉普拉斯矩阵的特征值和特征向量26  
2.5 图信号处理27  
2.6 复杂图30  
2.6.1 异质图30  
2.6.2 二分图30  
2.6.3 多维图31  
2.6.4 符号图32  
2.6.5 超图33  
2.6.6 动态图33  
2.7 图的计算任务34  
2.7.1 侧重于节点的任务35  
2.7.2 侧重于图的任务36  
2.8 小结37  
2.9 扩展阅读37  
第3 章深度学习基础39  
3.1 简介40  
3.2 深度前馈神经网络41  
3.2.1 网络结构42  
3.2.2 激活函数43  
3.2.3 输出层和损失函数45  
3.3 卷积神经网络47  
3.3.1 卷积操作和卷积层48  
3.3.2 实际操作中的卷积层51  
3.3.3 非线性激活层52  
3.3.4 池化层53  
3.3.5 卷积神经网络总体框架53  
3.4 循环神经网络54  
3.4.1 传统循环神经网络的网络结构55  
3.4.2 长短期记忆网络56  
3.4.3 门控循环单元58  
3.5 自编码器59  
3.5.1 欠完备自编码器59  
3.5.2 正则化自编码器60  
3.6 深度神经网络的训练61  
3.6.1 梯度下降61  
3.6.2 反向传播62  
3.6.3 预防过拟合64  
3.7 小结65  
3.8 扩展阅读65  
第2 篇模型方法  
第4 章图嵌入69  
4.1 简介70  
4.2 简单图的图嵌入71  
4.2.1 保留节点共现71  
4.2.2 保留结构角色80  
4.2.3 保留节点状态83  
4.2.4 保留社区结构84  
4.3 复杂图的图嵌入86  
4.3.1 异质图嵌入87  
4.3.2 二分图嵌入89  
4.3.3 多维图嵌入90  
4.3.4 符号图嵌入91  
4.3.5 超图嵌入93  
4.3.6 动态图嵌入95  
4.4 小结96  
4.5 扩展阅读97  
第5 章图神经网络99  
5.1 简介100  
5.2 图神经网络基本框架102  
5.2.1 侧重于节点的任务的图神经网络框架102  
5.2.2 侧重于图的任务的图神经网络框架103  
5.3 图滤波器104  
5.3.1 基于谱的图滤波器104  
5.3.2 基于空间的图滤波器114  
5.4 图池化120  
5.4.1 平面图池化120  
5.4.2 层次图池化121  
5.5 图卷积神经网络的参数学习125  
5.5.1 节点分类中的参数学习126  
5.5.2 图分类中的参数学习126  
5.6 小结127  
5.7 扩展阅读128  
第6 章图神经网络的健壮性129  
6.1 简介130  
6.2 图对抗攻击130  
6.2.1 图对抗攻击的分类131  
6.2.2 白盒攻击132  
6.2.3 灰盒攻击135  
6.2.4 黑盒攻击139  
6.3 图对抗防御142  
6.3.1 图对抗训练142  
6.3.2 图净化144  
6.3.3 图注意力机制144  
6.3.4 图结构学习148  
6.4 小结149  
6.5 扩展阅读149  
第7 章可扩展图神经网络151  
7.1 简介152  
7.2 逐点采样法155  
7.3 逐层采样法158  
7.4 子图采样法162  
7.5 小结164  
7.6 扩展阅读164  
第8 章复杂图神经网络165  
8.1 简介166  
8.2 异质图神经网络166  
8.3 二分图神经网络168  
8.4 多维图神经网络168  
8.5 符号图神经网络170  
8.6 超图神经网络173  
8.7 动态图神经网络174  
8.8 小结175  
8.9 扩展阅读175  
第9 章图上的其他深度模型177  
9.1 简介178  
9.2 图上的自编码器178  
9.3 图上的循环神经网络180  
9.4 图上的变分自编码器182  
9.4.1 用于节点表示学习的变分自编码器184  
9.4.2 用于图生成的变分自编码器184  
9.4.3 编码器：推论模型185  
9.4.4 解码器: 生成模型186  
9.4.5 重建的损失函数186  
9.5 图上的生成对抗网络187  
9.5.1 用于节点表示学习的生成对抗网络188  
9.5.2 用于图生成的生成对抗网络189  
9.6 小结191  
9.7 扩展阅读191  
第3 篇实际应用  
第10 章自然语言处理中的图神经网络195  
10.1 简介196  
10.2 语义角色标注196  
10.3 神经机器翻译199  
10.4 关系抽取199  
10.5 问答系统200  
10.5.1 多跳问答任务201  
10.5.2 Entity-GCN 202  
10.6 图到序列学习203  
10.7 知识图谱中的图神经网络205  
10.7.1 知识图谱中的图滤波205  
10.7.2 知识图谱到简单图的转换206  
10.7.3 知识图谱补全207  
10.8 小结208  
10.9 扩展阅读208  
第11 章计算机视觉中的图神经网络209  
11.1 简介210  
11.2 视觉问答210  
11.2.1 图像表示为图211  
11.2.2 图像和问题表示为图212  
11.3 基于骨架的动作识别214  
11.4 图像分类215  
11.4.1 零样本图像分类216  
11.4.2 少样本图像分类217  
11.4.3 多标签图像分类218  
11.5 点云学习219  
11.6 小结220  
11.7 扩展阅读220  
第12 章数据挖掘中的图神经网络221  
12.1 简介222  
12.2 万维网数据挖掘222  
12.2.1 社交网络分析222  
12.2.2 推荐系统225  
12.3 城市数据挖掘229  
12.3.1 交通预测229  
12.3.2 空气质量预测231  
12.4 网络安全数据挖掘231  
12.4.1 恶意账户检测231  
12.4.2 虚假新闻检测233  
12.5 小结234  
12.6 扩展阅读234  
第13 章生物化学和医疗健康中的  
图神经网络235  
13.1 简介236  
13.2 药物开发与发现236  
13.2.1 分子表示学习236  
13.2.2 蛋白质相互作用界面预测237  
13.2.3 药物–靶标结合亲和力预测239  
13.3 药物相似性整合240  
13.4 复方药物副作用预测242  
13.5 疾病预测244  
13.6 小结245  
13.7 扩展阅读245  
第4 篇前沿进展  
第14 章图神经网络的高级方法249  
14.1 简介250  
14.2 深层图神经网络250  
14.2.1 Jumping Knowledge 252  
14.2.2 DropEdge 253  
14.2.3 PairNorm 253  
14.3 通过自监督学习探索未标记数据253  
14.3.1 侧重于节点的任务254  
14.3.2 侧重于图的任务256  
14.4 图神经网络的表达能力257  
14.4.1 WL 测试258  
14.4.2 表达能力259  
14.5 小结260  
14.6 扩展阅读260  
第15 章图神经网络的高级应用261  
15.1 简介262  
15.2 图的组合优化262  
15.3 学习程序表示264  
15.4 物理学中相互作用的动力系统推断265  
15.5 小结266  
15.6 扩展阅读266  
参考文献267  
索引295

图神经网络：基础与前沿

马腾飞，IBM全球研究院总部研究员，东京大学博士，研究方向为机器学习、自然语言处理等。近期的研究集中在图神经网络及其在医疗、生化、金融等领域的应用。在ICLR、NeurIPS、AAAI等人工智能国际会议上发表论文30多篇，并与他人合作，在AAAI、KDD等会议上多次讲授图神经网络的前沿专题。

图深度学习

马耀密歇根州立大学计算机科学与工程专业的博士学生。密歇根州立大学Outstanding Graduate Student Award以及 FAST Fellowship的获奖者。研究兴趣包括网络嵌入和图神经网络。论文多次发表在数据挖掘**会议上，如WSDM、ICDM、SDM、WWW、IJCAI、SIGIR和KDD，目前已经获得了数百次引用。他是AAAI'20图神经网络教学讲座和KDD'20图深度学习教学讲座的**组织者和演讲者，这些教学讲座都获得了领域内外巨大的关注和广泛的好评。他在AAAI、BigData、IJCAI、TWEB和TPAMI等众多知名会议或杂志担任程序委员会委员及审稿人。汤继良于2016年秋季加入密西根州立大学，担任计算机科学与工程系助理教授。在这之前，他曾担任雅虎研究院研究员。他于2015年从亚利桑那州立大学取得博士学位，在图特征选择、图表征学习、图深度学习以及它们在互联网和社交媒体上的应用上做出了杰出的贡献。他曾经获得2020 SIGKDD新星奖（Rising Star Award）、2020 Withrow杰出研究奖（Distinguished Withrow Research Award）、2020和2019 Aminer人工智能*有影响力学者（Aminer Influential Scholars in AI）、2019美国自然科学基金杰出青年奖（NSF Career Award）、2019 IJCAI早期焦点人物演讲（IJCAI Early Career Talk），以及包括KDD、WSDM等在内的7项领域**会议的*佳（或提名）论文奖。他的博士论文获得2015 SIGKDD*佳博士论文（KDD Best Dissertation）亚军和院长优秀博士论文奖（Dean’s Dissertation Award）。他是SIAM数据分析小组和ACM TKDD期刊的秘书长。他经常担任数据挖掘**会议的组织者和**期刊的主编。他的研究成果发表在领域**的期刊和会议上，现已获得了超过11000多次的引用和媒体广泛的关注和报道。  
王怡琦密歇根州立大学博士研究生。她的研究兴趣主要集中在图神经网络，包括模型理论基础和应用及知识图谱。她已经在KDD、CIKM、WWW和AAAI等计算机**会议上发表了多项研究成果。她曾担任CIKM‘20等国际知名会议的PC Member。她曾参加组织KDD‘20图深度学习专题教学讲座并担任主要演讲者，获得了领域内外巨大的关注和广泛的好评。金卫密歇根州立大学博士研究生。他的研究兴趣集中在图神经网络领域，包括其理论基础、模型鲁棒性及应用。他已经在KDD和WWW计算机**会议上发表了多篇研究成果。他还是备受业内关注和赞誉的对抗攻击工具包DeepRobust 的主要贡献者。他曾担任包括CIKM‘20等国际知名会议的PC Member。他曾参加组织AAAI‘20图深度学习专题教学讲座和KDD‘20神经网络对抗攻击与防御专题教学讲座，并担任主要演讲者，获得了领域内外巨大的关注和广泛的好评。