图深度学习 (马耀，汤继良)

《图深度学习》全面介绍了图深度学习的理论基础、模型方法及实际应用。

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

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