圖神經(jīng)網(wǎng)絡(luò)導(dǎo)論

定　價(jià)：￥69.80

作　者：	劉知遠(yuǎn)，周界著，李濼秋譯
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

ISBN：	9787115559845	出版時(shí)間：	2021-04-01	包裝：	平裝
開(kāi)本：	32開(kāi)	頁(yè)數(shù)：	147	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　圖神經(jīng)網(wǎng)絡(luò)（GNN）是基于深度學(xué)習(xí)的圖數(shù)據(jù)處理方法，因其卓越的性能而受到廣泛關(guān)注。本書(shū)全面介紹了GNN的基本概念、具體模型和實(shí)際應(yīng)用。書(shū)中首先概述數(shù)學(xué)基礎(chǔ)和神經(jīng)網(wǎng)絡(luò)以及圖神經(jīng)網(wǎng)絡(luò)的基本概念，接著介紹不同種類的GNN，包括卷積圖神經(jīng)網(wǎng)絡(luò)、循環(huán)圖神經(jīng)網(wǎng)絡(luò)、圖注意力網(wǎng)絡(luò)、圖殘差網(wǎng)絡(luò)，以及幾個(gè)通用框架。此外，本書(shū)還介紹了GNN在結(jié)構(gòu)化場(chǎng)景、非結(jié)構(gòu)化場(chǎng)景和其他場(chǎng)景中的應(yīng)用。讀完本書(shū)，你將對(duì)GNN的最新成果和發(fā)展方向有較為透徹的認(rèn)識(shí)。

作者簡(jiǎn)介

　　【作者簡(jiǎn)介】劉知遠(yuǎn)清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系副教授、博士生導(dǎo)師、智源人工智能研究院研究員，在自然語(yǔ)言處理、表示學(xué)習(xí)、知識(shí)圖譜等人工智能研究領(lǐng)域享有盛譽(yù)，所開(kāi)發(fā)的自然語(yǔ)言處理算法已成為該領(lǐng)域的代表方法。2018年入選《麻省理工科技評(píng)論》“35歲以下科技創(chuàng)新35人”。周界清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系碩士，曾在ACL、KDD等國(guó)際會(huì)議上發(fā)表論文，研究興趣包括圖神經(jīng)網(wǎng)絡(luò)和自然語(yǔ)言處理?！咀g者簡(jiǎn)介】李濼秋浙江大學(xué)計(jì)算機(jī)科學(xué)碩士，研究興趣主要為自然語(yǔ)言處理。

圖書(shū)目錄

第 1章　引論 1
1．1　設(shè)計(jì)動(dòng)機(jī)　1
1．1．1　卷積神經(jīng)網(wǎng)絡(luò)　1
1．1．2　圖嵌入　3
1．2　相關(guān)工作　3
第　2章數(shù)學(xué)和圖論基礎(chǔ)　7
2．1　線性代數(shù)　7
2．1．1　基本概念　7
2．1．2　特征分解　10
2．1．3　奇異值分解　11
2．2　概率論　12
2．2．1　基本概念和公式　12
2．2．2　概率分布　14
2．3　圖論　15
2．3．1　基本概念　16
2．3．2　圖的代數(shù)表示　16
第3章　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)　19
3．1　神經(jīng)元　19
3．2　后向傳播　22
3．3　神經(jīng)網(wǎng)絡(luò)　24
第4章　基礎(chǔ)圖神經(jīng)網(wǎng)絡(luò)　27
4．1　概述　27
4．2　模型介紹　28
4．3　局限性　30
第5章　卷積圖神經(jīng)網(wǎng)絡(luò)　33
5．1　基于譜分解的方法　33
5．1．1　Spectral Network　33
5．1．2　ChebNet　34
5．1．3　GCN　35
5．1．4　AGCN　36
5．2　基于空間結(jié)構(gòu)的方法　37
5．2．1　Neural FP　37
5．2．2　PATCHY-SAN　38
5．2．3　DCNN　40
5．2．4　DGCN　40
5．2．5　LGCN　42
5．2．6　MoNet　44
5．2．7　GraphSAGE　45
第6章　循環(huán)圖神經(jīng)網(wǎng)絡(luò)　47
6．1　GGNN　47
6．2　Tree-LSTM　49
6．3　Graph-LSTM　50
6．4　S-LSTM　51
第7章　圖注意力網(wǎng)絡(luò)　55
7．1　GAT　55
7．2　GaAN　57
第8章　圖殘差網(wǎng)絡(luò)　59
8．1　Highway GCN　59
8．2　Jump Knowledge Network　60
8．3　DeepGCN　62
第9章　不同圖類型的模型變體　65
9．1　有向圖　65
9．2　異構(gòu)圖　66
9．3　帶有邊信息的圖　68
9．4　動(dòng)態(tài)圖　70
9．5　多維圖　72
第　10章高級(jí)訓(xùn)練方法　75
10．1　采樣　75
10．2　層級(jí)池化　78
10．3　數(shù)據(jù)增廣　80
10．4　無(wú)監(jiān)督訓(xùn)練　80
第　11章通用框架　83
11．1　MPNN　83
11．2　NLNN　85
11．3　GN　87
第　12章結(jié)構(gòu)化場(chǎng)景應(yīng)用　93
12．1　物理學(xué)　93
12．2　化學(xué)和生物學(xué)　95
12．2．1　分子指紋　95
12．2．2　化學(xué)反應(yīng)預(yù)測(cè)　97
12．2．3　藥物推薦　97
12．2．4　蛋白質(zhì)和分子交互預(yù)測(cè)　98
12．3　知識(shí)圖譜　99
12．3．1　知識(shí)圖譜補(bǔ)全　99
12．3．2　歸納式知識(shí)圖譜嵌入　100
12．3．3　知識(shí)圖譜對(duì)齊　101
12．4　推薦系統(tǒng)　102
12．4．1　矩陣補(bǔ)全　103
12．4．2　社交推薦　104
第　13章非結(jié)構(gòu)化場(chǎng)景應(yīng)用　105
13．1　圖像領(lǐng)域　105
13．1．1　圖像分類　105
13．1．2　視覺(jué)推理　108
13．1．3　語(yǔ)義分割　109
13．2　文本領(lǐng)域　110
13．2．1　文本分類　110
13．2．2　序列標(biāo)注　111
13．2．3　神經(jīng)機(jī)器翻譯　112
13．2．4　信息抽取　113
13．2．5　事實(shí)驗(yàn)證　114
13．2．6　其他應(yīng)用　116
第　14章其他場(chǎng)景應(yīng)用　117
14．1　生成模型　117
14．2　組合優(yōu)化　119
第　15章開(kāi)放資源　121
15．1　數(shù)據(jù)集　121
15．2　代碼實(shí)現(xiàn)　123
第　16章總結(jié)　125
16．1　淺層結(jié)構(gòu)　125
16．2　動(dòng)態(tài)圖　126
16．3　非結(jié)構(gòu)化場(chǎng)景　126
16．4　可擴(kuò)展性　126
參考文獻(xiàn)　129
作者簡(jiǎn)介　148