图神经网络：基础、前沿与应用
链接：https://pan.baidu.com/s/1MmjEH5plO8yvjcBuEPC--w?pwd=x1v9
提取码：x1v9
前沿：图神经网络是机器学习、数据科学、数据挖掘领域新兴的发展方向，被称作图上的深度学习，有望推动第三代人工智能的顺利发展。
丰富：综述图神经网络的基础理论、模拟算法、研究前沿以及广泛和新兴的应用场景
深入：摒弃简单介绍概念与框架的思维，深入分析图神经网络的现状以及未来的调整与机遇，帮助专业人士和初学者知其然知其所以然
力荐：囊括国内AI界半壁江山的大咖联袂推荐
内容简介
本书致力于介绍图神经网络的基本概念和算法、研究前沿以及广泛和新兴的应用，涵盖图神经网络的广泛主题，从基础到前沿，从方法到应用，涉及从方法论到应用场景方方面面的内容。全书分为四部分：第一部分介绍图神经网络的基本概念；第二部分讨论图神经网络成熟的方法；第三部分介绍图神经网络典型的前沿领域；第四部分描述可能对图神经网络未来研究比较重要和有前途的方法与应用的进展情况。
本书适合高年级本科生和研究生、博士后研究人员、讲师以及行业从业者阅读与参考。
作者简介
吴凌飞博士
毕业于美国公立常春藤盟校之一的威廉与玛丽学院计算机系。目前他是Pinterest公司主管知识图谱和内容理解的研发工程经理。曾任京东硅谷研究中心的首席科学家和IBM Thomas J. Vatson Research Centerl的高级研究员。主要研究方向是机器学习、表征学习和自然语言处理的有机结合，在图神经网络及其应用方面有深入研究。他在机器学习、深度学习等领域的著名会议或期刊上发表100多篇论文。
崔鹏博士
清华大学计算机系终身副教授。于2010年在清华大学获得博士学位。研究兴趣包括数据挖掘、机器学习和多媒体分析，擅长网络表示学习、因果推理和稳定学习、社会动力学建模和用户行为建模等。他在机器学习和数据挖掘领域的著名会议或期刊上发表100多篇论文。
裴健博士
杜克大学电子与计算机工程系教授。他是数据科学、大数据、数据挖掘和数据库系统等领域的研究人员。他擅长为新型数据密集型应用开发有效的数据分析技术，并将其研究成果转化为产品和商业实践。自2000年以来，他已经出版一本教科书、两本专著，并在众多具有影响力的会议或期刊上发表300多篇论文。
赵亮博士
埃默里大学计算科学系助理教授。曾在乔治梅森大学信息科学与技术系和计算机科学系担任助理教授。于2016年在弗吉尼亚理工大学计算机科学系获得博士学位。研究兴趣包括数据挖掘、人工智能和机器学习，在时空和网络数据挖掘、图深度学习、非凸优化、事件预测和可解释机器学习等方面有深入研究。
精彩书评
本书详细地介绍了图神经网络这一新兴的、快速发展的研究领域。
——韩家炜
美国伊利诺伊大学香槟分校计算机系教授，ACM院士、IEEE院士
本书对图表征学习进行了综述，由这一领域的学者团队编撰完成，是想了解图神经网络的学生、研究人员和实践者的参考之作。
——沈向洋
ACM院士、IEEE院士、美国工程院院士、英国皇家工程科学院国际院士，微软研究院前技术和研究执行副总裁
作为深度学习的前沿领域，图神经网络在组合概率机器学习和符号推理方面具有强大潜力。它在数据驱动范式和知识驱动范式之间架起了沟通的桥梁，有望促进第三代人工智能的发展。本书以富有洞察力的方式介绍了GNN，内容涉及从基础知识到前沿发展，从算法基础到应用探讨。对于任何想要学习和了解图神经网络的科学家、工程师和学生来说，本书是颇具价值的参考资料。
——张钹
清华大学教授，中国科学院院士
作为深度学习的一个重要领域，图神经网络近年来取得了突飞猛进的发展。这本由业界专业人士撰写的作品涵盖了图神经网络的基础和应用的方方面面。相信这是一本大家会想阅读的书。强烈推荐！
——李航
字节跳动人工智能实验室总监
图神经网络是当前人工智能的热门领域之一。本书由国际数据挖掘领域学者、加拿大皇家学会院士裴健教授和CCF-IEEECS青年科学家奖获得者崔鹏教授等领衔出版。英文版已由施普林格出版社推出，中文版将为国内感兴趣的读者提供阅读学习的便利，很有参考价值，值得关注。
——周志华
南京大学计算机系主任兼人工智能学院院长，欧洲科学院外籍院士
图神经网络是机器学习、数据科学、数据挖掘领域新兴的发展方向。本书作者是这个领域的科学家，他们探讨了图神经网络的理论基础、算法设计和实践案例。这是一本好书，我强烈推荐！
——杨强
香港科技大学讲座教授，AAAI、ACM等学会会员，加拿大皇家科学院、加拿大工程院院士
本书由领域学者团队编撰，对图神经网络的基础理论进行了详细介绍，对不同主题进行了广泛覆盖。通过本书，读者可以一览图神经网络全貌、快速开展前沿研究或将之落地于实际应用。
——张成奇
悉尼科技大学副校长，人工智能杰出教授
本书是当前介绍图神经网络方面非常深入的书籍之一，由该领域的学者编撰，是优秀的参考和学习资料。
——俞士纶
伊利诺伊大学芝加哥分校讲席教授，ACM会员，IEEE会员
本书详细地介绍了图神经网络，为在大型图数据上更深一步研究及探寻快而准的方法提供了不可缺少的基础和方向。
——于旭（Jeffrey Xu Yu）
香港中文大学教授
深度学习时代，图计算与神经网络天然地结合到一起。图神经网络为人工智能的发展注入了新动力，同时也成为热门的领域之一，在工业界得到广泛应用。本书对图神经网络的基础、前沿技术以及应用做了讲解，是图神经网络的研究者以及实践者优秀的参考资料。
——叶杰平
密歇根大学终身教授，IEEE会员
近年来，图深度学习已经被广泛应用到很多人工智能的研究领域，并取得了成功。本书总结了图神经网络的算法和理论基础，广泛介绍了各种图神经网络的前沿研究方向，并精选了10个图神经网络广泛应用的行业。这是一本优秀的深度学习教科书！
——熊辉
香港科技大学（广州）讲座教授，AAAS会员，IEEE会员
图神经网络是一个具有巨大潜力的研究方向，近年来受到广泛关注。本书作者是该领域的学者，具有学术界和工业界的丰富实践经验。他们通过这本书从概念、算法到应用丰富介绍了图神经网络的相关技术。强烈推荐对这个领域感兴趣的学生、工程师与研究人员阅读！
——谢幸
微软亚洲研究院首席研究员，CCF会士，IEEE会员
图神经网络是一类基于深度学习的处理图结构数据的方法，在推荐系统、计算机视觉、生物制药等众多科学领域展现出了卓越的性能。本书由该领域的专业学者倾力打造，从图神经网络的理论基础出发，着重介绍了图神经网络的研究前沿和新兴应用。图神经网络方兴未艾，本书内容厚重，是从事该领域研究的科研人员和学生优秀的参考书。
——文继荣
中国人民大学教授，信息学院院长，高瓴人工智能学院执行院长
图机器学习是当前机器学习领域热门的研究方向之一。本书针对图神经网络的基础、发展、前沿以及应用进行细致介绍，是图神经网络领域值得深入学习的佳作。
、——陶大程
京东探索研究院院长，京东集团高级副总裁，澳大利亚科学院院士
图神经网络把深度学习和图结构融合起来，是机器学习领域过去几年重要的理论发展之一，在金融科技、搜索推荐、生物医药等领域有着广泛和重要的应用。本书由该领域的专业学者编撰，是研究人员、学生和业界实践者学习图神经网络的一本参考图书。
——漆远
复旦大学浩清教授、博导，AI3研究院院长，前阿里巴巴副总裁及蚂蚁集团首席AI科学家
图神经网络是一个快速发展的领域。本书涉及图神经网络的概念、基础和应用，非常适合对此领域感兴趣的读者阅读。
——刘欢
亚利桑那州立大学教授，ACM会员，IEEE会员
图神经网络作为一种新兴技术，近年来受到学术界和工业界的广泛关注。本书由4位工作在此领域前沿的杰出学者编撰，内容涵盖了图神经网络的基础概念、技术、应用领域以及与产业结合的进展。受益于作者在该领域的深厚积累，本书为图神经网络研究人员提供了全局视角，既适合对此领域感兴趣的初学者，其模块化的结构也适合对该领域有一定积累的学者针对某一内容进行深入研究。
——林学民
上海交通大学讲席教授，欧洲科学院院士，IEEE会员，AAIA会员
图神经网络已经成为图数据分析处理的基本工具。本书深入介绍了图神经网络的基础和研究前沿，可作为有关科研人员、开发者和师生的重要参考书。
——李飞飞
阿里巴巴集团副总裁，IEEE会员
图神经网络是当前AI领域的重要前沿方向之一，在学术界和工业界得到广泛的关注和应用。本书由相关领域的专业学者编撰而成，系统性地总结了图神经网络领域的关键技术，内容涵盖了图神经网络的基础方法和前沿应用。2021年英文书出版时我就关注到这本书，现在很高兴看到中文版即将出版。对于国内研究和应用图神经网络的专业人士和初学者来说，本书是一本很棒的参考书。
——崔斌
北京大学教授
图神经网络是对深度学习的重要拓展和延伸。本书由专业学者编著，系统地介绍了该领域的基础问题、前沿算法和应用场景。编者对章节之间的逻辑关系给出了清晰的梳理和导读，对初入该领域和具有一定基础的读者均具有重要的学习和参考价值。
——陈恩红
中国科学技术大学大数据学院执行院长
图神经网络是机器学习非常热门的领域之一。本书是非常好的学习资源，内容涵盖图表征学习的广泛主题和应用。
——Jure Leskovec
斯坦福大学副教授
图神经网络是一种新兴的机器学习模型，已在科学和工业界掀起风暴。现在正是加入这一行动的时机——这本书无论对新人还是经验丰富的从业者而言是很好的资源！书中的内容由这一领域的学者团队精心撰写而成。
——Petar Velikovi
DeepMind高级研究科学家
目录
第 一部分 引言
第 1章 表征学习 2
1.1 导读 2
1.2 不同领域的表征学习 3
1.2.1 用于图像处理的表征学习 3
1.2.2 用于语音识别的表征学习 5
1.2.3 用于自然语言处理的表征学习 7
1.2.4 用于网络分析的表征学习 8
1.3 小结 9
第 2章 图表征学习 11
2.1 导读 11
2.2 传统图嵌入方法 12
2.3 现代图嵌入方法 13
2.3.1 保留图结构和属性的图表征学习 13
2.3.2 带有侧面信息的图表征学习 15
2.3.3 保留高级信息的图表征学习 15
2.4 图神经网络 16
2.5 小结 17
第3章 图神经网络 18
3.1 导读 18
3.2 图神经网络概述 19
3.2.1 图神经网络基础 19
3.2.2 图神经网络前沿 20
3.2.3 图神经网络应用 22
3.2.4 本书组织结构 23
3.3 小结 24
第二部分 基础
第4章 用于节点分类的图神经网络 28
4.1 背景和问题定义 28
4.2 有监督的图神经网络 29
4.2.1 图神经网络的一般框架 29
4.2.2 图卷积网络 30
4.2.3 图注意力网络 32
4.2.4 消息传递神经网络 33
4.2.5 连续图神经网络 33
4.2.6 多尺度谱图卷积网络 35
4.3 无监督的图神经网络 37
4.3.1 变分图自编码器 37
4.3.2 深度图信息最大化 39
4.4 过平滑问题 41
4.5 小结 42
第5章 图神经网络的表达能力 44
5.1 导读 44
5.2 图表征学习和问题的提出 47
5.3 强大的消息传递图神经网络 49
5.3.1 用于集合的神经网络 49
5.3.2 消息传递图神经网络 50
5.3.3 MP-GNN的表达能力 51
5.3.4 具有1-WL测试能力的MP-GNN 53
5.4 比1-WL测试更强大的图神经网络架构 54
5.4.1 MP-GNN的局限性 54
5.4.2 注入随机属性 56
5.4.3 注入确定性距离属性 61
5.4.4 建立高阶图神经网络 65
5.5 小结 69
第6章 图神经网络的可扩展性 71
6.1 导读 71
6.2 引言 72
6.3 抽样范式 72
6.3.1 节点级抽样 74
6.3.2 层级抽样 76
6.3.3 图级抽样 79
6.4 大规模图神经网络在推荐系统中的应用 82
6.4.1 物品-物品推荐 82
6.4.2 用户-物品推荐 83
6.5 未来的方向 84
第7章 图神经网络的可解释性 86
7.1 背景：深度模型的可解释性 86
7.1.1 可解释性和解释的定义 86
7.1.2 解释的价值 87
7.1.3 传统的解释方法 88
7.1.4 机遇与挑战 90
7.2 图神经网络的解释方法 90
7.2.1 背景 91
7.2.2 基于近似的解释 92
7.2.3 基于相关性传播的解释 95
7.2.4 基于扰动的解释 96
7.2.5 生成式解释 97
7.3 图神经网络的可解释模型 97
7.3.1 基于GNN的注意力模型 98
7.3.2 图上的解耦化表征学习 100
7.4 图神经网络解释的评估 101
7.4.1 基准数据集 101
7.4.2 评价指标 103
7.5 未来的方向 103
第8章 图神经网络的对抗鲁棒性 105
8.1 动机 105
8.2 图神经网络的局限性：对抗性样本 107
8.2.1 对抗性攻击的分类 107
8.2.2 扰动的影响和一些启示 110
8.2.3 讨论和未来的方向 112
8.3 可证明的鲁棒性：图神经网络的认证 113
8.3.1 特定模型的认证 113
8.3.2 模型无关的认证 115
8.3.3 高级认证和讨论 116
8.4 提高图神经网络的鲁棒性 117
8.4.1 改进图 117
8.4.2 改进训练过程 118
8.4.3 改进图神经网络的架构 120
8.4.4 讨论和未来的方向 121
8.5 从鲁棒性的角度进行适当评估 122
8.6 小结 124
第三部分 前沿
第9章 图分类 128
9.1 导读 128
9.2 用于图分类的图神经网络：典型工作和现代架构 129
9.2.1 空间方法 129
9.2.2 频谱方法 132
9.3 池化层：从节点级输出学习图级输出 133
9.3.1 基于注意力的池化层 134
9.3.2 基于聚类的池化层 134
9.3.3 其他池化层 134
9.4 图神经网络和高阶层在图分类中的局限性 135
9.5 图神经网络在图分类中的应用 137
9.6 基准数据集 137
9.7 小结 138
第 10章 链接预测 139
10.1 导读 139
10.2 传统的链接预测方法 140
10.2.1 启发式方法 140
10.2.2 潜在特征方法 143
10.2.3 基于内容的方法 145
10.3 基于GNN的链接预测方法 145
10.3.1 基于节点的方法 145
10.3.2 基于子图的方法 147
10.3.3 比较基于节点的方法和基于子图的方法 150
10.4 链接预测的理论 151
10.4.1 γ–衰减启发式理论 151
10.4.2 贴标签技巧 155
10.5 未来的方向 158
10.5.1 加速基于子图的方法 158
10.5.2 设计更强大的贴标签技巧 159
10.5.3 了解何时使用独热特征 159
第 11章 图生成 160
11.1 导读 160
11.2 经典的图生成模型 160
11.3 深度图生成模型 163
11.4 小结 178
第 12章 图转换 179
12.1 图转换问题的形式化 179
12.2 节点级转换 180
12.3 边级转换 182
12.4 节点-边共转换 186
12.5 其他基于图的转换 193
12.6 小结 196
第 13章 图匹配 197
13.1 导读 197
13.2 图匹配学习 198
13.3 图相似性学习 205
13.4 小结 210
第 14章 图结构学习 211
14.1 导读 211
14.2 传统的图结构学习 212
14.3 图神经网络的图结构学习 215
14.4 未来的方向 226
14.5 小结 227
第 15章 动态图神经网络 228
15.1 导读 228
15.2 背景和表示法 229
15.3 动态图的类型 233
15.4 用图神经网络对动态图进行建模 236
15.5 应用 242
15.6 小结 247
第 16章 异质图神经网络 248
16.1 HGNN简介 248
16.2 浅层模型 251
16.3 深度模型 254
16.4 回顾 259
16.5 未来的方向 259
第 17章 自动机器学习 262
17.1 背景 262
17.2 搜索空间 265
17.3 搜索算法 269
17.4 未来的方向 273
第 18章 自监督学习 275
18.1 导读 275
18.2 自监督学习概述 276
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 277
18.4 节点级代理任务 283
18.5 图级代理任务 287
18.6 节点-图级代理任务 293
18.7 讨论 294
18.8 小结 295
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 298
19.1 图神经网络在推荐系统中的实践 298
19.2 案例研究1：动态的GNN学习 304
19.3 案例研究2：设备-云协作的GNN学习 309
19.4 未来的方向 313
第 20章 计算机视觉中的图神经网络 315
20.1 导读 315
20.2 将视觉表征为图 316
20.3 案例研究1：图像 318
20.4 案例研究2：视频 320
20.5 其他相关工作：跨媒体 322
20.6 图神经网络在计算机视觉中的前沿问题 324
20.7 小结 326
第 21章 自然语言处理中的图神经网络 327
21.1 导读 327
21.2 将文本建模为图 329
21.3 案例研究1：基于图的文本聚类和匹配 332
21.4 案例研究2：基于图的多跳阅读理解 335
21.5 未来的方向 338
21.6 小结 339
第 22章 程序分析中的图神经网络 341
22.1 导读 341
22.2 程序分析中的机器学习 342
22.3 程序的图表征 343
22.4 用于程序图的图神经网络 345
22.5 案例研究1：检测变量误用缺陷 346
22.6 案例研究2：预测动态类型化语言中的类型 348
22.7 未来的方向 350
第 23章 软件挖掘中的图神经网络 352
23.1 导读 352
23.2 将软件建模为图 353
23.3 相关的软件挖掘任务 355
23.4 软件挖掘任务实例：源代码总结 357
23.5 小结 364
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 366
24.1 导读 366
24.2 现有的生物医学知识图谱 367
24.3 知识图谱的推理 369
24.4 药物开发中基于KG的假设生成 374
24.5 未来的方向 376
第 25章 预测蛋白质功能和相互作用的图神经网络 383
25.1 从蛋白质的相互作用到功能简介 383
25.2 三个典型的案例研究 387
25.3 未来的方向 393
第 26章 异常检测中的图神经网络 395
26.1 导读 395
26.2 基于GNN的异常检测的问题 397
26.3 流水线 400
26.4 分类法 403
26.5 案例研究 404
26.6 未来的方向 409
第 27章 智慧城市中的图神经网络 410
27.1 用于智慧城市的图神经网络 410
27.2 未来的方向 419
参考文献 420
查看全部↓
