书籍详情
![《图表示学习》[48M]百度网盘|亲测有效|pdf下载](/uploads/s0309/a5df8fe972085fcb.jpg)
图表示学习
- 出版社:文轩网旗舰店
- 出版时间:2021-05
- 热度:7001
- 上架时间:2024-06-30 09:08:33
- 价格:0.0
书籍下载
书籍预览
免责声明
本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源，一旦发现资源涉及侵权，将立即删除。希望所有用户一同监督并反馈问题，如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
内容介绍
作 者:(美)威廉·汉密尔顿 著 AI TIME 译
定 价:109
出 版 社:电子工业出版社
出版日期:2021年05月01日
页 数:208
装 帧:平装
ISBN:9787121410772
图表示学习开山之作；
清华大学教授鼎力推荐；
浙江大学、山东大学、北京邮电大学等多位高校学子精心翻译；
全面剖析图表示学习、图神经网络、图嵌入、节点嵌入、图深度学习等AI领域的前沿进展，探索提升AI的可解释性、健壮性的路径与方法，为AI实现推理、规划、逻辑等表示提供助力。
●部分背景介绍
章引言2
1.1什么是图3
1.1.1多关系图4
1.1.2特征信息5
1.2图机器学习6
1.2.1节点分类7
1.2.2关系预测9
1.2.3聚类和社区发现11
1.2.4图的分类、回归与聚类11
第2章背景与传统方法13
2.1图统计特征与核方法14
2.1.1节点层面的统计特征14
2.1.2图层面的特征和图核20
2.2邻域重叠检测23
2.2.1局部重叠测量25
2.2.2全局重叠测量26
2.3图的拉普拉斯矩阵和图的谱方法32
2.3.1图的拉普拉斯矩阵32
2.3.2图割与图聚类35
2.3.3广义谱聚类40
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
3.1.1编码器46
3.1.2解码器47
3.1.3编码-解码模型的优化48
3.1.4编码-解码方法小结48
3.2基于因式分解的方法49
3.3随机游走嵌入表示52
3.4shallowembedding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
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
5.1.1消息传递框架概述74
5.1.2动机和思想76
5.1.3基本的GNN77
5.1.4自环消息传递79
5.2广义邻域聚合80
5.2.1邻域归一化81
5.2.2集合聚合操作83
5.2.3邻域注意力模型86
5.3广义的更新方法89
5.3.1拼接和跳跃连接92
5.3.2门控更新函数94
5.3.3跳跃知识连接95
5.4边特征和多元关系GNN96
5.4.1关系GNN96
5.4.2注意力机制和特征拼接98
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
6.1.1用于节点分类的GNN105
6.1.2用于图分类的GNN107
6.1.3用于关系预测的GNN108
6.1.4预训练GNN108
6.2效率问题和节点采样110
6.2.1图级别的实现方法110
6.2.2子采样和小批量111
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
7.1GNN与图卷积115
7.1.1卷积与傅里叶变换115
7.1.2从时间信号到图信号118
7.1.3谱图卷积124
7.1.4卷积启发的GNN129
7.2GNN和概率图模型135
7.2.1分布的希尔伯特空间嵌入135
7.2.2图作为图模型136
7.2.3嵌入平均场推断137
7.2.4更一般的GNN和PGM141
7.3GNN与图同构141
7.3.1图同构142
7.3.2图同构与表示能力143
7.3.3WL算法143
7.3.4GNN和WL算法145
7.3.5WL算法148
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
8.2ERDÖS–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
9.1VAE方法166
9.1.1节点级隐表示169
9.1.2图级别的隐表示172
9.2对抗方法176
9.3自回归模型178
9.3.1边依赖建模178
9.3.2循环图生成模型179
9.4图生成的评估184
9.5分子图生成185
后记187
致谢190
章引言2
1.1什么是图3
1.1.1多关系图4
1.1.2特征信息5
1.2图机器学习6
1.2.1节点分类7
1.2.2关系预测9
1.2.3聚类和社区发现11
1.2.4图的分类、回归与聚类11
第2章背景与传统方法13
2.1图统计特征与核方法14
2.1.1节点层面的统计特征14
2.1.2图层面的特征和图核20
2.2邻域重叠检测23
2.2.1局部重叠测量25
2.2.2全局重叠测量26
2.3图的拉普拉斯矩阵和图的谱方法32
2.3.1图的拉普拉斯矩阵32
2.3.2图割与图聚类35
2.3.3广义谱聚类40
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
3.1.1编码器46
3.1.2解码器47
3.1.3编码-解码模型的优化48
3.1.4编码-解码方法小结48
3.2基于因式分解的方法49
3.3随机游走嵌入表示52
3.4shallowembedding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
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
5.1.1消息传递框架概述74
5.1.2动机和思想76
5.1.3基本的GNN77
5.1.4自环消息传递79
5.2广义邻域聚合80
5.2.1邻域归一化81
5.2.2集合聚合操作83
5.2.3邻域注意力模型86
5.3广义的更新方法89
5.3.1拼接和跳跃连接92
5.3.2门控更新函数94
5.3.3跳跃知识连接95
5.4边特征和多元关系GNN96
5.4.1关系GNN96
5.4.2注意力机制和特征拼接98
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
6.1.1用于节点分类的GNN105
6.1.2用于图分类的GNN107
6.1.3用于关系预测的GNN108
6.1.4预训练GNN108
6.2效率问题和节点采样110
6.2.1图级别的实现方法110
6.2.2子采样和小批量111
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
7.1GNN与图卷积115
7.1.1卷积与傅里叶变换115
7.1.2从时间信号到图信号118
7.1.3谱图卷积124
7.1.4卷积启发的GNN129
7.2GNN和概率图模型135
7.2.1分布的希尔伯特空间嵌入135
7.2.2图作为图模型136
7.2.3嵌入平均场推断137
7.2.4更一般的GNN和PGM141
7.3GNN与图同构141
7.3.1图同构142
7.3.2图同构与表示能力143
7.3.3WL算法143
7.3.4GNN和WL算法145
7.3.5WL算法148
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
8.2ERDÖS–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
9.1VAE方法166
9.1.1节点级隐表示169
9.1.2图级别的隐表示172
9.2对抗方法176
9.3自回归模型178
9.3.1边依赖建模178
9.3.2循环图生成模型179
9.4图生成的评估184
9.5分子图生成185
后记187
致谢190
从电信网络到量子化学，图结构的数据在自然科学和社会科学中无处不在。在深度学习框架中建立关系归纳偏差对于设计可以从此类数据进行学习、推理和归纳的系统至关重要。近年来，关于图表示学习(Graph Representation Learning，GRL)的研究激增，其中包括用于深图嵌入的技术、卷积神经网络在图结构数据上的泛化，以及受置信度传播算法启发的神经消息传递方法。图表示学习
的这些进展为许多领域带来了新的研究成果，其中包括化学合成、三维视觉、推荐系统、间答系统和社交网络分析。
本书提供了一份关于图表示学综述。首先，本书讨论图表示学目标及图论和网络分析的关键方。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及其在知识图谱.上的应用。再后，本书对高度成功的图神经网络(GraphNeuralNetwork，GNN)进行了技术上的综合介绍，GNN已成为图数等
的这些进展为许多领域带来了新的研究成果，其中包括化学合成、三维视觉、推荐系统、间答系统和社交网络分析。
本书提供了一份关于图表示学综述。首先，本书讨论图表示学目标及图论和网络分析的关键方。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及其在知识图谱.上的应用。再后，本书对高度成功的图神经网络(GraphNeuralNetwork，GNN)进行了技术上的综合介绍，GNN已成为图数等
(美)威廉·汉密尔顿 著 AI TIME 译
威廉•汉密尔顿（William Hamilton）是麦吉尔大学（McGill University）计算机科学系的助理教授，也是加拿大高等研究院（Canadian Institute for Advanced Research, CIFAR）AI 方向的、GraphSAGE 的作者。他专注于图表示学习及其在计算社会科学和生物学中的应用。近年来，他在机器学习和网络科学领域的会议发表了20 多篇关于图表示学论文，并且参与组织了关于该主题的几次大型研讨会，分享了多份重磅教程。
他的工作获得了多个奖项的认可，其中包括2017 年美国科学院Cozzarelli佳论文奖和2018 年斯坦福大学计算机科学等