幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

圖深度學習從理論到實踐

  • 作者：編者:包勇軍//朱小坤//顏偉鵬//姚普|責編:袁金敏
  • 出版社：清華大學
  • ISBN：9787302604884
  • 出版日期：2022/05/01
  • 裝幀：平裝
  • 頁數：145
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    圖神經網路是人工智慧的一個熱點方向。從圖的視角解讀大數據，可以靈活建模複雜的信息交互關係，吸引大量學者的關注，並在多個工業領域得到廣泛應用。本書由淺入深，全面介紹圖神經網路的基礎知識、典型模型方法和應用實踐。本書不僅包括一般的深度學習基礎和圖基礎知識，還涵蓋了圖表示學習、圖卷積、圖注意力、圖序列等典型圖網路模型，以京東自研的Galileo平台為代表的圖學習框架，以及圖神經網路在電商推薦和流量風控方面的兩個典型工業應用。
    本書適合對數據挖掘、機器學習方向以及圖建模交叉方向感興趣的高年級本科生和研究生作為教材使用，也適合互聯網電商、金融風控、社交網路分析、藥物研發等企業的從業者參考學習。
作者介紹
編者:包勇軍//朱小坤//顏偉鵬//姚普|責編:袁金敏
目錄
第1章  深度學習基礎
  1.1  深度學習與人工智慧
  1.2  感知機與神經網路
    1.2.1  單層感知機
    1.2.2  多層感知機
  1.3  前饋神經網路
    1.3.1  前饋神經網路的模型
    1.3.2  前饋神經網路的學習
  1.4  卷積神經網路
    1.4.1  圖像數據的存儲
    1.4.2  傳統圖像處理運算元
    1.4.3  卷積
    1.4.4  池化
    1.4.5  填充
    1.4.6  步幅
    1.4.7  典型的卷積神經網路結構
    1.4.8  卷積神經網路與多層感知機的差別
  1.5  深度學習訓練的最優化演算法
  1.6  深度學習中的過擬合和欠擬合
  1.7  本章小結
第2章  圖基礎
  2.1  圖的結構
  2.2  圖的性質
  2.3  圖數據的存儲
  2.4  圖與拉普拉斯矩陣
  2.5  圖神經網路簡史
    2.5.1  挑戰
    2.5.2  發展簡史
  2.6  圖的任務與應用
    2.6.1  圖的任務
    2.6.2  圖神經網路的應用
  2.7  本章小結
第3章  圖表示學習
  3.1  圖表示學習的意義
  3.2  基於矩陣分解的圖表示學習方法
  3.3  基於隨機遊走的圖表示學習
    3.3.1  Word2Vec演算法
    3.3.2  DeepWalk
    3.3.3  Node2Vec
    3.3.4  隨機遊走模型的優化策略
    3.3.5  其他隨機遊走方法
  3.4  基於深度學習的圖表示學習
    3.4.1  局域相似度和全局相似度
    3.4.2  SDNE演算法結構圖
  3.5  異質圖表示學習
  3.6  本章小結
第4章  圖卷積神經網路
  4.1  圖與圖像的差異
  4.2  傳統圖信號處理方法
  4.3  譜域圖卷積神經網路

    4.3.1  譜卷積神經網路
    4.3.2  切比雪夫網路
    4.3.3  圖卷積神經網路
    4.3.4  譜域圖卷積的特點
  4.4  空域圖卷積神經網路
    4.4.1  圖卷積神經網路空域理解
    4.4.2  GraphSAGE模型
  4.5  本章小結
第5章  圖注意力網路
  5.1  注意力機制
    5.1.1  注意力機制的變體
    5.1.2  注意力機制的優勢
    5.1.3  應用場景
  5.2  同質圖注意力網路
    5.2.1  圖注意力層
    5.2.2  多頭注意力
  5.3  異質圖注意力網路
    5.3.1  頂點級別注意力
    5.3.2  語義級別注意力
  5.4  門控注意力網路
  5.5  層次圖注意力網路
    5.5.1  視覺關係檢測
    5.5.2  層次圖注意力網路模型框架
  5.6  本章小結
第6章  圖序列神經網路
  6.1  傳統序列神經網路
    6.1.1  循環神經網路
    6.1.2  長短期記憶神經網路
    6.1.3  門控循環神經網路
  6.2  門控序列圖神經網路
  6.3  樹與圖結構的LSTM神經網路
    6.3.1  非線性結構的LSTM模型
    6.3.2  GraphLSTM模型
  6.4  本章小結
第7章  圖卷積神經網路擴展模型
  7.1  GCN模型的過平滑問題
  7.2  層採樣加速GCN
  7.3  關係圖卷積神經網路
    7.3.1  R?GCN迭代關係
    7.3.2  R?GCN可學習參數正則化
    7.3.3  R?GCN應用場景
  7.4  本章小結
第8章  圖深度學習框架
  8.1  統一編程範式
    8.1.1  MPNN
    8.1.2  NLNN
    8.1.3  GN
  8.2  主流框架簡介
    8.2.1  PyG
    8.2.2  DGL

    8.2.3  AliGraph
  8.3  京東圖深度學習框架Galileo
    8.3.1  設計概要
    8.3.2  圖引擎層
    8.3.3  圖訓練框架
    8.3.4  支持演算法模型
    8.3.5  圖模型實踐
  8.4  本章小結
第9章  圖神經網路在推薦場景下的應用
  9.1  推薦系統的目的與挑戰
  9.2  傳統推薦方法
  9.3  圖推薦演算法
    9.3.1  基於圖表示學習的推薦方法
    9.3.2  基於圖深度學習的推薦方法
  9.4  電商業務推薦實踐
  9.5  本章小結
第10章  圖神經網路在流量風控場景中的應用
  10.1  背景介紹
  10.2  廣告流量計費模式
  10.3  廣告作弊動機
  10.4  廣告反作弊中的傳統圖演算法
  10.5  廣告反作弊圖深度學習方法
  10.6  本章小結
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032