图神经网络:基础、前沿与应用电子书

版 权

内 容 提 要

推荐语（按姓氏拼音排序）

推荐序

前 言

在线资源

写给教师的建议

写给读者的建议

致 谢

编者简介

撰稿人名单（按姓氏拼音排序）

术 语

图的基本概念

图机器学习

图神经网络

主要符号

数、数组和矩阵

图

基本操作

函数

概率论

资源与支持

配套资源

提交勘误

扫码关注本书

与我们联系

关于异步社区和异步图书

第一部分 引言

第1章 表征学习

1.1 导读

1.2 不同领域的表征学习

1.3 小结

第2章 图表征学习

2.1 导读

2.2 传统图嵌入方法

2.3 现代图嵌入方法

2.4 图神经网络

2.5 小结

第3章 图神经网络

3.1 导读

3.2 图神经网络概述

3.3 小结

第二部分 基础

第4章 用于节点分类的图神经网络

4.1 背景和问题定义

4.2 有监督的图神经网络

4.3 无监督的图神经网络

4.4 过平滑问题

4.5 小结

第5章 图神经网络的表达能力

5.1 导读

5.2 图表征学习和问题的提出

5.3 强大的消息传递图神经网络

5.4 比1-WL测试更强大的图神经网络架构

5.5 小结

第6章 图神经网络的可扩展性

6.1 导读

6.2 引言

6.3 抽样范式

6.4 大规模图神经网络在推荐系统中的应用

6.5 未来的方向

第7章 图神经网络的可解释性

7.1 背景：深度模型的可解释性

7.2 图神经网络的解释方法

7.3 图神经网络的可解释模型

7.4 图神经网络解释的评估

7.5 未来的方向

第8章 图神经网络的对抗鲁棒性

8.1 动机

8.2 图神经网络的局限性：对抗性样本

8.3 可证明的鲁棒性：图神经网络的认证

8.4 提高图神经网络的鲁棒性

8.5 从鲁棒性的角度进行适当评估

8.6 小结

第三部分 前沿

第9章 图分类

9.1 导读

9.2 用于图分类的图神经网络：典型工作和现代架构

9.3 池化层：从节点级输出学习图级输出

9.4 图神经网络和高阶层在图分类中的局限性

9.5 图神经网络在图分类中的应用

9.6 基准数据集

9.7 小结

第10章 链接预测

10.1 导读

10.2 传统的链接预测方法

10.3 基于GNN的链接预测方法

10.4 链接预测的理论

10.5 未来的方向

第11章 图生成

11.1 导读

11.2 经典的图生成模型

11.3 深度图生成模型

11.4 小结

第12章 图转换

12.1 图转换问题的形式化

12.2 节点级转换

12.3 边级转换

12.4 节点-边共转换

12.5 其他基于图的转换

12.6 小结

第13章 图匹配

13.1 导读

13.2 图匹配学习

13.3 图相似性学习

13.4 小结

第14章 图结构学习

14.1 导读

14.2 传统的图结构学习

14.3 图神经网络的图结构学习

14.4 未来的方向

14.5 小结

第15章 动态图神经网络

15.1 导读

15.2 背景和表示法

15.3 动态图的类型

15.4 用图神经网络对动态图进行建模

15.5 应用

15.6 小结

第16章 异质图神经网络

16.1 HGNN简介

16.2 浅层模型

16.3 深度模型

16.4 回顾

16.5 未来的方向

第17章 自动机器学习

17.1 背景

17.2 搜索空间

17.3 搜索算法

17.4 未来的方向

第18章 自监督学习

18.1 导读

18.2 自监督学习概述

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

18.4 节点级代理任务

18.5 图级代理任务

18.6 节点-图级代理任务

18.7 讨论

18.8 小结

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

19.1 067图神经网络在推荐系统中的实践

19.2 案例研究1：动态的GNN学习

19.3 案例研究2：设备 云协作的GNN学习

19.4 未来的方向

第20章 计算机视觉中的图神经网络

20.1 导读

20.2 将视觉表征为图

20.3 案例研究1：图像

20.4 案例研究2：视频

20.5 其他相关工作：跨媒体

20.6 图神经网络在计算机视觉中的前沿问题

20.7 小结

第21章 自然语言处理中的图神经网络

21.1 导读

21.2 将文本建模为图

21.3 案例研究1：基于图的文本聚类和匹配

21.4 案例研究2：基于图的多跳阅读理解

21.5 未来的方向

21.6 小结

第22章 程序分析中的图神经网络

22.1 导读

22.2 程序分析中的机器学习

22.3 程序的图表征

22.4 用于程序图的图神经网络

22.5 案例研究1：检测变量误用缺陷

22.6 案例研究2：预测动态类型化语言中的类型

22.7 未来的方向

第23章 软件挖掘中的图神经网络

23.1 导读

23.2 将软件建模为图

23.3 相关的软件挖掘任务

23.4 软件挖掘任务实例：源代码总结

23.5 小结

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

24.1 导读

24.2 现有的生物医学知识图谱

24.3 知识图谱的推理

24.4 药物开发中基于KG的假设生成

24.5 未来的方向

第25章 预测蛋白质功能和相互作用的图神经网络

25.1 从蛋白质的相互作用到功能简介

25.2 三个典型的案例研究

25.3 未来的方向

第26章 异常检测中的图神经网络

26.1 导读

26.2 基于GNN的异常检测的问题

26.3 流水线

26.4 分类法

26.5 案例研究

26.6 未来的方向

第27章 智慧城市中的图神经网络

27.1 用于智慧城市的图神经网络

27.2 未来的方向

参 考 文 献