深入浅出图神经网络：GNN原理解析
￥89.00定价
作者： 刘忠雨，李彦霖，周洋
出版时间：2020-01
出版社：机械工业出版社
- 机械工业出版社
- 9787111643630
- 373593
- 2020-01
作者简介
内容简介
这是一本从原理、算法、实现、应用4个维度详细讲解图神经网络的著作-在图神经网络领域具有重大的意义。
本书作者是图神经网络领域的资深技术专家-作者所在的公司极验也是该领域的领先者。本书是作者和极验多年研究与实践经验的总结-内容系统、扎实、深入浅出-得到了白翔、俞栋等多位学术界和企业界领军人物的高度评价及强烈推荐。
全书共10章：
□□～4章全面介绍了图、图数据、卷积神经网络以及表示学习等基础知识-是阅读本书的预备知识；
第5～6章从理论的角度出发-讲解了图信号处理和图卷积神经网络-深入剖析了图卷积神经网络的性质-并提供了GCN实现节点分类的实例；
第7～9章全面讲解了图神经网络的各种变体及范式、图分类机制及其实践-以及基于GNN的图表示学习；
□□0章介绍了图神经网络的新研究和应用。
本书作者是图神经网络领域的资深技术专家-作者所在的公司极验也是该领域的领先者。本书是作者和极验多年研究与实践经验的总结-内容系统、扎实、深入浅出-得到了白翔、俞栋等多位学术界和企业界领军人物的高度评价及强烈推荐。
全书共10章：
□□～4章全面介绍了图、图数据、卷积神经网络以及表示学习等基础知识-是阅读本书的预备知识；
第5～6章从理论的角度出发-讲解了图信号处理和图卷积神经网络-深入剖析了图卷积神经网络的性质-并提供了GCN实现节点分类的实例；
第7～9章全面讲解了图神经网络的各种变体及范式、图分类机制及其实践-以及基于GNN的图表示学习；
□□0章介绍了图神经网络的新研究和应用。
目录
前言
□□章 图的概述 1
1.1 图的基本定义 1
1.1.1 图的基本类型 □
1.1.□ 邻居和度 4
1.1.3 子图与路径 4
1.□ 图的存储与遍历 5
1.□.1 邻接矩阵与关联矩阵 5
1.□.□ 图的遍历 6
1.3 图数据的应用场景 7
1.4 图数据深度学习 10
1.5 参考文献 13
第□章 神经网络基础 17
□.1 机器学习基本概念 17
□.1.1 机器学习分类 17
□.1.□ 机器学习流程概述 18
□.1.3 常见的损失函数 □1
□.1.4 梯度下降算法 □3
□.□ 神经网络 □5
□.□.1 神经元 □5
□.□.□ 多层感知器 □7
□.3 激活函数 □9
□.3.1 S型激活函数 30
□.3.□ ReLU及其变种 30
□.4 训练神经网络 33
□.4.1 神经网络的运行过程 34
□.4.□ 反向传播 34
□.4.3 优化困境 36
□.5 参考文献 38
第3章 卷积神经网络 39
3.1 卷积与池化 39
3.1.1 信号处理中的卷积 39
3.1.□ 深度学习中的卷积操作 4□
3.1.3 池化 46
3.□ 卷积神经网络 46
3.□.1 卷积神经网络的结构 47
3.□.□ 卷积神经网络的特点 49
3.3 特殊的卷积形式 51
3.3.1 1×1卷积 51
3.3.□ 转置卷积 5□
3.3.3 空洞卷积 54
3.3.4 分组卷积 55
3.3.5 深度可分离卷积 55
3.4 卷积网络在图像分类中的应用 56
3.4.1 VGG 56
3.4.□ Inception系列 57
3.4.3 ResNet 60
3.5 参考文献 6□
第4章 表示学习 65
4.1 表示学习 65
4.1.1 表示学□□意义 65
4.1.□ 离散表示与分布式表示 66
4.1.3 端到端学习是一种强大的表示学习方法 68
4.□ 基于重构损失的方法—自编码器 69
4.□.1 自编码器 69
4.□.□ 正则自编码器 71
4.□.3 变分自编码器 7□
4.3 基于对比损失的方法—Word□vec 75
4.4 参考文献 79
第5章 图信号处理与图卷积神经网络 81
5.1 矩阵乘法的三种方式 81
5.□ 图信号与图的拉普拉斯矩阵 83
5.3 图傅里叶变换 85
5.4 图滤波器 90
5.4.1 空域角度 93
5.4.□ 频域角度 94
5.5 图卷积神经网络 96
5.6 GCN实战 101
5.7 参考文献 109
第6章 GCN的性质 111
6.1 GCN与CNN的联系 111
6.□ GCN能够对图数据进行端对端学习 115
6.3 GCN是一个低通滤波器 1□0
6.4 GCN的问题—过平滑 1□□
6.5 参考文献 1□7
第7章 GNN的变体与框架 1□9
7.1 GraphSAGE 1□9
7.1.1 采样邻居 130
7.1.□ 聚合邻居 131
7.1.3 GraphSAGE算法过程 13□
7.□ GAT 134
7.□.1 注意力机制 134
7.□.□ 图注意力层 137
7.□.3 多头图注意力层 138
7.3 R-GCN 140
7.3.1 知识图谱 140
7.3.□ R-GCN 141
7.4 GNN的通用框架 143
7.4.1 MPNN 143
7.4.□ NLNN 146
7.4.3 GN 147
7.5 GraphSAGE实战 148
7.6 参考文献 153
第8章 图分类 155
8.1 基于全局池化的图分类 155
8.□ 基于层次化池化的图分类 156
8.□.1 基于图坍缩的池化机制 157
8.□.□ 基于TopK的池化机制 165
8.□.3 基于边收缩的池化机制 168
8.3 图分类实战 169
8.4 参考文献 177
第9章 基于GNN的图表示学习 179
9.1 图表示学习 180
9.□ 基于GNN的图表示学习 18□
9.□.1 基于重构损失的GNN 183
9.□.□ 基于对比损失的GNN 184
9.3 基于图自编码器的推荐系统 188
9.4 参考文献 195
□□0章 GNN的应用简介 197
10.1 GNN的应用简述 197
10.□ GNN的应用案例 199
10.□.1 3D视觉 199
10.□.□ 基于社交网络的推荐系统 □03
10.□.3 视觉推理 □05
10.3 GNN的未来展望 □08
10.4 参考文献 □09
附录A 符号声明 □11
□□章 图的概述 1
1.1 图的基本定义 1
1.1.1 图的基本类型 □
1.1.□ 邻居和度 4
1.1.3 子图与路径 4
1.□ 图的存储与遍历 5
1.□.1 邻接矩阵与关联矩阵 5
1.□.□ 图的遍历 6
1.3 图数据的应用场景 7
1.4 图数据深度学习 10
1.5 参考文献 13
第□章 神经网络基础 17
□.1 机器学习基本概念 17
□.1.1 机器学习分类 17
□.1.□ 机器学习流程概述 18
□.1.3 常见的损失函数 □1
□.1.4 梯度下降算法 □3
□.□ 神经网络 □5
□.□.1 神经元 □5
□.□.□ 多层感知器 □7
□.3 激活函数 □9
□.3.1 S型激活函数 30
□.3.□ ReLU及其变种 30
□.4 训练神经网络 33
□.4.1 神经网络的运行过程 34
□.4.□ 反向传播 34
□.4.3 优化困境 36
□.5 参考文献 38
第3章 卷积神经网络 39
3.1 卷积与池化 39
3.1.1 信号处理中的卷积 39
3.1.□ 深度学习中的卷积操作 4□
3.1.3 池化 46
3.□ 卷积神经网络 46
3.□.1 卷积神经网络的结构 47
3.□.□ 卷积神经网络的特点 49
3.3 特殊的卷积形式 51
3.3.1 1×1卷积 51
3.3.□ 转置卷积 5□
3.3.3 空洞卷积 54
3.3.4 分组卷积 55
3.3.5 深度可分离卷积 55
3.4 卷积网络在图像分类中的应用 56
3.4.1 VGG 56
3.4.□ Inception系列 57
3.4.3 ResNet 60
3.5 参考文献 6□
第4章 表示学习 65
4.1 表示学习 65
4.1.1 表示学□□意义 65
4.1.□ 离散表示与分布式表示 66
4.1.3 端到端学习是一种强大的表示学习方法 68
4.□ 基于重构损失的方法—自编码器 69
4.□.1 自编码器 69
4.□.□ 正则自编码器 71
4.□.3 变分自编码器 7□
4.3 基于对比损失的方法—Word□vec 75
4.4 参考文献 79
第5章 图信号处理与图卷积神经网络 81
5.1 矩阵乘法的三种方式 81
5.□ 图信号与图的拉普拉斯矩阵 83
5.3 图傅里叶变换 85
5.4 图滤波器 90
5.4.1 空域角度 93
5.4.□ 频域角度 94
5.5 图卷积神经网络 96
5.6 GCN实战 101
5.7 参考文献 109
第6章 GCN的性质 111
6.1 GCN与CNN的联系 111
6.□ GCN能够对图数据进行端对端学习 115
6.3 GCN是一个低通滤波器 1□0
6.4 GCN的问题—过平滑 1□□
6.5 参考文献 1□7
第7章 GNN的变体与框架 1□9
7.1 GraphSAGE 1□9
7.1.1 采样邻居 130
7.1.□ 聚合邻居 131
7.1.3 GraphSAGE算法过程 13□
7.□ GAT 134
7.□.1 注意力机制 134
7.□.□ 图注意力层 137
7.□.3 多头图注意力层 138
7.3 R-GCN 140
7.3.1 知识图谱 140
7.3.□ R-GCN 141
7.4 GNN的通用框架 143
7.4.1 MPNN 143
7.4.□ NLNN 146
7.4.3 GN 147
7.5 GraphSAGE实战 148
7.6 参考文献 153
第8章 图分类 155
8.1 基于全局池化的图分类 155
8.□ 基于层次化池化的图分类 156
8.□.1 基于图坍缩的池化机制 157
8.□.□ 基于TopK的池化机制 165
8.□.3 基于边收缩的池化机制 168
8.3 图分类实战 169
8.4 参考文献 177
第9章 基于GNN的图表示学习 179
9.1 图表示学习 180
9.□ 基于GNN的图表示学习 18□
9.□.1 基于重构损失的GNN 183
9.□.□ 基于对比损失的GNN 184
9.3 基于图自编码器的推荐系统 188
9.4 参考文献 195
□□0章 GNN的应用简介 197
10.1 GNN的应用简述 197
10.□ GNN的应用案例 199
10.□.1 3D视觉 199
10.□.□ 基于社交网络的推荐系统 □03
10.□.3 视觉推理 □05
10.3 GNN的未来展望 □08
10.4 参考文献 □09
附录A 符号声明 □11
