同類熱銷排行榜

圖機器學習

作者：武強//呂琳媛|責編:吳晉瑜
出版社：人民郵電
ISBN：9787115644473

出版日期：2025/09/01
裝幀：平裝
頁數：257

人民幣：RMB 119.8 元售價：元

內容大鋼

    本書通過系統而全面的介紹，幫助讀者深入理解和掌握圖機器學習的基本原理、方法和技術；同時，通過豐富的案例和實踐經驗，展示了圖機器學習在各個領域的應用價值和廣闊前景。
    本書基於斯坦福大學圖機器學習CS224W課程的內容編寫，結合作者自身和團隊學生在圖機器學習中的痛點和實踐經驗，重新梳理知識脈絡，重點介紹圖機器學習的相關知識，並對前沿的圖機器學習會議論文和網路科學的最新發展趨勢進行探討與展望。
    本書適合所有對圖機器學習感興趣的讀者參考。

作者介紹

武強//呂琳媛|責編:吳晉瑜

第1章  引言
  1.1  圖機器學習概述
    1.1.1  為什麼需要圖機器學習
    1.1.2  圖機器學習的分類
  1.2  圖機器學習應用
  1.3  圖機器學習任務
    1.3.1  節點預測
    1.3.2  鏈接預測
    1.3.3  整圖預測
  1.4  圖機器學習展望
  1.5  本章小結
  1.6  參考文獻
第2章  圖機器學習基礎
  2.1  圖論基礎
    2.1.1  基本概念
    2.1.2  表示方法
    2.1.3  節點重要性指標
    2.1.4  異質圖
    2.1.5  圖生成模型
    2.1.6  網路子圖
    2.1.7  網路社區
  2.2  機器學習基礎
    2.2.1  感知機
    2.2.2  深度學習
    2.2.3  激活函數
    2.2.4  損失函數和梯度下降
    2.2.5  反向傳播
  2.3  本章小結
  2.4  參考文獻
第3章  基於圖基礎結構特徵的圖機器學習
  3.1  圖基礎結構特徵與圖機器學習
  3.2  基於節點特徵的圖機器學習
    3.2.1  用聚類係數表示節點特徵
    3.2.2  用圖元向量表示節點特徵
  3.3  基於鏈接特徵的圖機器學習
    3.3.1  基於距離的特徵
    3.3.2  局部鄰域重疊
    3.3.3  全局鄰域重疊
  3.4  基於整圖特徵的圖機器學習
    3.4.1  基於圖內核的表示方法
    3.4.2  基於圖元特徵的表示方法
    3.4.3  基於WL內核的表示方法
  3.5  本章小結
  3.6  參考文獻
第4章  圖嵌入表示
  4.1  為什麼需要圖嵌入
  4.2  圖嵌入的編解碼架構
  4.3  節點嵌入
    4.3.1  淺層嵌入
    4.3.2  隨機遊走嵌入

    4.3.3  有偏隨機遊走嵌入
  4.4  整圖嵌入
    4.4.1  求和法
    4.4.2  虛擬節點法
    4.4.3  匿名遊走嵌入
    4.4.4  可學習遊走嵌入
    4.4.5  整圖嵌入的應用
  4.5  本章小結
  4.6  參考文獻
第5章  圖矩陣分解
  5.1  矩陣分解與節點嵌入
    5.1.1  矩陣分解
    5.1.2  矩陣分解與隨機遊走的局限性
  5.2  PageRank演算法
    5.2.1  PageRank演算法背景
    5.2.2  PageRank矩陣表示
    5.2.3  PageRank與隨機遊走
  5.3  PageRank計算和優化
    5.3.1  冪迭代法
    5.3.2  PageRank存在的問題
    5.3.3  PageRank演算法的局限性
    5.3.4  個性化PageRank和帶重啟的隨機遊走
  5.4  本章小結
  5.5  參考文獻
第6章  消息傳遞與節點分類
  6.1  網路關聯與集體分類
    6.1.1  網路關聯
    6.1.2  集體分類
  6.2  關係分類
  6.3  迭代分類
    6.3.1  迭代分類定義
    6.3.2  迭代分類方法
    6.3.3  迭代分類過程舉例
  6.4  信念傳播
    6.4.1  信念傳播定義
    6.4.2  信念傳播過程
    6.4.3  信念傳播的優點和不足
  6.5  矯正與平滑
    6.5.1  C&S方法介紹
    6.5.2  用C&S方法處理節點預測問題
  6.6  本章小結
  6.7  參考文獻
第7章  圖神經網路研究思路與經典模型
  7.1  圖神經網路的研究思路
    7.1.1  圖神經網路基礎
    7.1.2  圖神經網路方法
    7.1.3  圖神經網路訓練
  7.2  圖神經網路的結構
    7.2.1  網路結構
    7.2.2  批量標準化

    7.2.3  Dropout方法
  7.3  經典圖神經網路：圖卷積神經網路
    7.3.1  GCN的空域理解
    7.3.2  圖傅里葉變換
    7.3.3  圖卷積神經網路的譜域解釋
  7.4  經典圖神經網路：GraphSAGE和GAT
    7.4.1  GraphSAGE
    7.4.2  GAT
  7.5  代碼實踐
  7.6  本章小結
  7.7  參考文獻
第8章  圖神經網路設計
  8.1  多層圖神經網路設計
    8.1.1  過度平滑問題的產生
    8.1.2  過度平滑的解決思路
  8.2  圖增強設計
    8.2.1  圖特徵增強
    8.2.2  圖結構增強
  8.3  圖神經網路表達能力設計
    8.3.1  圖神經網路表達能力概述
    8.3.2  GCN和GraphSAGE的表達能力分析
  8.4  圖同構網路模型
    8.4.1  重集上的單射函數
    8.4.2  GIN模型設計
    8.4.3  GIN模型與WL圖內核的聯繫
  8.5  本章小結
  8.6  參考文獻
第9章  圖神經網路訓練
  9.1  圖神經網路預測頭設置
    9.1.1  節點級別任務
    9.1.2  鏈接級別任務
    9.1.3  圖級別任務
  9.2  圖神經網路訓練基礎條件
    9.2.1  損失函數
    9.2.2  評估函數
  9.3  圖神經網路訓練流程
    9.3.1  數據集劃分
    9.3.2  GNN訓練流程
    9.3.3  GNN設置和調試
  9.4  代碼實踐
    9.4.1  數據介紹
    9.4.2  多層GNN模型實現
    9.4.3  訓練和測試過程
  9.5  本章小結
  9.6  參考文獻
第10章  圖神經網路優化
  10.1  圖神經網路的局限性
    10.1.1  結構識別缺陷
    10.1.2  位置識別缺陷
    10.1.3  圖同構測試限制GNN的表達能力上限

  10.2  圖神經網路的優化思路
    10.2.1  基於位置感知的GNN優化
    10.2.2  基於身份感知的GNN優化
  10.3  圖神經網路的魯棒性分析
    10.3.1  深度學習的魯棒性
    10.3.2  GNN的魯棒性
  10.4  本章小結
  10.5  參考文獻
第11章  大規模圖神經網路
  11.1  GNN在大規模網路中的應用
    11.1.1  大規模圖應用場景
    11.1.2  大規模圖應用問題
  11.2  鄰域抽樣模型
    11.2.1  模型思路
    11.2.2  重啟隨機遊走演算法
    11.2.3  避免冗余計算的模型
  11.3  Cluster-GCN模型
    11.3.1  模型思路
    11.3.2  模型訓練
    11.3.3  模型優化
  11.4  Simplifying-GCN模型
    11.4.1  模型思路
    11.4.2  模型訓練
  11.5  本章小結
  11.6  參考文獻
第12章  圖神經網路在知識圖譜中的應用
  12.1  關係圖卷積神經網路
    12.1.1  R-GCN模型介紹
    12.1.2  R-GCN的擴展性
    12.1.3  R-GCN的應用
  12.2  知識圖譜初步
    12.2.1  知識圖譜概念
    12.2.2  知識圖譜補全
  12.3  知識圖譜查詢
    12.3.1  基礎查詢
    12.3.2  高級查詢
  12.4  知識圖譜構建和存儲
    12.4.1  知識圖譜構建
    12.4.2  知識圖譜存儲
  12.5  本章小結
  12.6  參考文獻
第13章  圖神經網路在網路科學領域的應用
  13.1  深度圖生成模型
    13.1.1  深度圖生成模型初步
    13.1.2  GraphRNN圖生成模型
    13.1.3  圖生成模型的評估和優化
  13.2  基於圖神經網路的子圖挖掘
    13.2.1  子圖嵌入表示
    13.2.2  識別高頻子圖結構
  13.3  基於圖神經網路的社區發現

    13.3.1  Louvain演算法
    13.3.2  重疊社區檢測演算法BigCLAM和NOCD
  13.4  本章小結
  13.5  參考文獻
第14章  圖神經網路在推薦系統和自然語言處理中的應用
  14.1  圖神經網路與推薦系統
    14.1.1  推薦系統概述
    14.1.2  基於圖節點嵌入的推薦模型
    14.1.3  基於協同過濾的GNN推薦模型
    14.1.4  大規模圖神經網路推薦模型PinSAGE
  14.2  圖神經網路與自然語言處理
    14.2.1  自然語言處理概要
    14.2.2  NLP中圖的構建與處理
    14.2.3  基於圖的編碼器-解碼器模型
    14.2.4  圖在自然語言處理中的具體應用
  14.3  本章小結
  14.4  參考文獻
第15章  圖神經網路在自然科學研究中的應用
  15.1  圖神經網路在物理學中的應用
    15.1.1  圖神經網路重新發現萬有引力定律
    15.1.2  用圖神經網路實現複雜物理世界的模擬模擬
  15.2  圖神經網路在生物化學和醫療領域的應用
    15.2.1  GNN輔助藥物發現
    15.2.2  GNN預測蛋白質摺疊結構
    15.2.3  GNN輔助醫療診斷
    15.2.4  GNN與天氣預報
  15.3  本章小結
  15.4  參考文獻
第16章  總結和展望
  16.1  圖機器學習模型及應用
    16.1.1  圖機器學習模型總結
    16.1.2  圖機器學習應用總結
  16.2  圖機器學習未來展望
    16.2.1  預訓練圖神經網路
    16.2.2  雙曲圖神經網路
    16.2.3  圖機器學習與其他技術的結合

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

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

同類熱銷排行榜

最近瀏覽的商品

圖機器學習