基於圖神經網路的網路表示學習研究/雲計算和大數據叢書
內容大鋼
本書基於圖神經網路研究網路表示學習，具體內容包括：改進了高階圖卷積神經網路、圖注意力網路、自編碼架構和圖的小波神經網路等模型，構建網路表示學習模型，並在圖基礎任務（如鏈路預測和節點分類）上取得了有效的性能。此外，本書採用前沿的圖對比學習架構，通過增強圖數據表示有效緩解數據稀疏問題，並在知識圖譜的基礎任務上顯著提升性能。本書面向圖數據應用，提出一種關係感知的異構圖神經網路模型，可進行關係預測設計，並通過實驗驗證其優越性能。本書所提出的演算法對當下熱門的圖學習領域進行了拓展，能夠成功應用於推薦系統、關係預測、交通流預測等網路分析任務，為現實世界中的複雜問題提供了全新的解決方案。
作者介紹
莫先|責編:胡艷//陳卓琳
莫先，寧夏大學副教授，碩士生導師，寧夏大學「以人為中心的可信計算」科技創新團隊骨幹成員。研究領域為人工智慧與大數據，重點聚焦圖神經網路、擴散模型和大語言模型在圖學習領域的研究，該研究應用於鏈路預測、節點分類、推薦系統、社團檢測、藥物發現等具體領域。近5年來，其代表性成果包括中科院SCI一區Top論文6篇，中國電腦學會CCF推薦的B類期刊和中科院SCI二區論文3篇；主持國家自然科學基金青年科學基金項目1項和寧夏回族自治區自然科學基金優秀青年項目1項。
目錄
第1章 緒論
1.1 研究背景及意義
1.2 國內外研究現狀
1.2.1 靜態屬性網路嵌入
1.2.2 時序普通網路嵌入
1.2.3 時序屬性網路嵌入
1.2.4 時序網路鏈路預測
1.2.5 同構網路嵌入
1.2.6 異構網路嵌入
1.2.7 多關係圖學習
1.2.8 時序異構網路鏈路預測
1.3 本書研究工作介紹
第2章 相關理論與技術
2.1 網路表示學習概述
2.1.1 靜態圖表示學習
2.1.2 動態圖表示學習
2.2 圖神經網路概述
2.2.1 基於譜域的圖卷積網路
2.2.2 圖注意力網路
2.2.3 異構圖神經網路
2.2.4 高階圖神經網路
2.2.5 圖小波神經網路
2.2.6 時序卷積網路
2.3 多關係圖對比學習
2.4 深層自編碼架構
第3章 基於高階圖卷積神經網路模型的時序網路嵌入方法
3.1 問題定義
3.2 方法
3.2.1 時空特徵提取方法
3.2.2 時空高階圖卷積時序網路
3.3 實驗
3.3.1 數據集和對比模型
3.3.2 實驗結果
3.3.3 參數敏感性分析
第4章 基於注意力機制網路嵌入方法
4.1 問題定義
4.2 靜態屬性網路嵌入
4.2.1 拓撲特徵提取
4.2.2 節點嵌入
4.3 時序屬性網路嵌入
4.3.1 拓撲特徵提取
4.3.2 節點嵌入
4.4 實驗
4.4.1 實驗設置
4.4.2 實驗結果
4.4.3 消融研究
4.4.4 參數敏感性分析
第5章 基於深度自編碼器架構的時序表示學習方法
5.1 問題定義
5.2 模型
5.2.1 特徵處理
5.2.2 節點嵌入
5.3 實驗
5.3.1 數據集和對比模型
5.3.2 實驗結果
5.3.3 消融研究
5.3.4 參數敏感性分析
第6章 基於小波圖神經網路的時序網路鏈路預測方法
6.1 問題定義
6.2 拓撲與時序圖小波神經網路
6.2.1 拓撲特徵提取和時序特徵提取
6.2.2 神經網路模型
6.3 實驗
6.3.1 數據集
6.3.2 評估度量模型和對比模型
6.3.3 實驗結果
6.3.4 參數敏感性分析
6.3.5 可伸縮性分析
第7章 基於深度學習架構的時序網路鏈路預測
7.1 問題定義
7.2 時間戳分層採樣圖小波神經網路
7.2.1 時空特徵提取
7.2.2 神經網路模型
7.3 實驗
7.3.1 數據集
7.3.2 評估度量和對比模型
7.3.3 實驗結果
7.3.4 消融研究
7.3.5 參數敏感性分析
第8章 基於分層注意力的異構時序網路嵌入方法
8.1 問題定義
8.2 模型
8.2.1 採樣異構鄰居
8.2.2 層次注意力
8.3 實驗
8.3.1 層次注意力
8.3.2 實驗結果
8.3.3 消融研究
8.3.4 參數敏感性分析
第9章 基於可學習圖增強的多關係圖對比學習方法
9.1 問題定義
9.2 方法
9.2.1 多關係圖學習
9.2.2 可學習的多關係圖增強
9.2.3 子圖對比損失函數
9.3 實驗
9.3.1 實驗設置
9.3.2 藥物相互作用事件預測
9.3.3 知識圖譜的多關係推理
9.3.4 多關係推薦
9.3.5 消融研究
9.3.6 超參數分析
[