圖神經(jīng)網(wǎng)絡(luò)：基礎(chǔ)、前沿與應(yīng)用

第 一部分 引言
第 1章 表征學(xué)習(xí) 2
1.1 導(dǎo)讀 2
1.2 不同領(lǐng)域的表征學(xué)習(xí) 3
1.2.1 用于圖像處理的表征學(xué)習(xí) 3
1.2.2 用于語(yǔ)音識(shí)別的表征學(xué)習(xí) 5
1.2.3 用于自然語(yǔ)言處理的表征學(xué)習(xí) 7
1.2.4 用于網(wǎng)絡(luò)分析的表征學(xué)習(xí) 8
1.3 小結(jié) 9
第 2章 圖表征學(xué)習(xí) 11
2.1 導(dǎo)讀 11
2.2 傳統(tǒng)圖嵌入方法 12
2.3 現(xiàn)代圖嵌入方法 13
2.3.1 保留圖結(jié)構(gòu)和屬性的圖表征學(xué)習(xí) 13
2.3.2 帶有側(cè)面信息的圖表征學(xué)習(xí) 15
2.3.3 保留高級(jí)信息的圖表征學(xué)習(xí) 15
2.4 圖神經(jīng)網(wǎng)絡(luò) 16
2.5 小結(jié) 17
第3章 圖神經(jīng)網(wǎng)絡(luò) 18
3.1 導(dǎo)讀 18
3.2 圖神經(jīng)網(wǎng)絡(luò)概述 19
3.2.1 圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 19
3.2.2 圖神經(jīng)網(wǎng)絡(luò)前沿 20
3.2.3 圖神經(jīng)網(wǎng)絡(luò)應(yīng)用 22
3.2.4 本書(shū)組織結(jié)構(gòu) 23
3.3 小結(jié) 24
第二部分 基礎(chǔ)
第4章 用于節(jié)點(diǎn)分類(lèi)的圖神經(jīng)網(wǎng)絡(luò) 28
4.1 背景和問(wèn)題定義 28
4.2 有監(jiān)督的圖神經(jīng)網(wǎng)絡(luò) 29
4.2.1 圖神經(jīng)網(wǎng)絡(luò)的一般框架 29
4.2.2 圖卷積網(wǎng)絡(luò) 30
4.2.3 圖注意力網(wǎng)絡(luò) 32
4.2.4 消息傳遞神經(jīng)網(wǎng)絡(luò) 33
4.2.5 連續(xù)圖神經(jīng)網(wǎng)絡(luò) 33
4.2.6 多尺度譜圖卷積網(wǎng)絡(luò) 35
4.3 無(wú)監(jiān)督的圖神經(jīng)網(wǎng)絡(luò) 37
4.3.1 變分圖自編碼器 37
4.3.2 深度圖信息最大化 39
4.4 過(guò)平滑問(wèn)題 41
4.5 小結(jié) 42
第5章 圖神經(jīng)網(wǎng)絡(luò)的表達(dá)能力 44
5.1 導(dǎo)讀 44
5.2 圖表征學(xué)習(xí)和問(wèn)題的提出 47
5.3 強(qiáng)大的消息傳遞圖神經(jīng)網(wǎng)絡(luò) 49
5.3.1 用于集合的神經(jīng)網(wǎng)絡(luò) 49
5.3.2 消息傳遞圖神經(jīng)網(wǎng)絡(luò) 50
5.3.3 MP-GNN的表達(dá)能力 51
5.3.4 具有1-WL測(cè)試能力的MP-GNN 53
5.4 比1-WL測(cè)試更強(qiáng)大的圖神經(jīng)網(wǎng)絡(luò)架構(gòu) 54
5.4.1 MP-GNN的局限性 54
5.4.2 注入隨機(jī)屬性 56
5.4.3 注入確定性距離屬性 61
5.4.4 建立高階圖神經(jīng)網(wǎng)絡(luò) 65
5.5 小結(jié) 69
第6章 圖神經(jīng)網(wǎng)絡(luò)的可擴(kuò)展性 71
6.1 導(dǎo)讀 71
6.2 引言 72
6.3 抽樣范式 72
6.3.1 節(jié)點(diǎn)級(jí)抽樣 74
6.3.2 層級(jí)抽樣 76
6.3.3 圖級(jí)抽樣 79
6.4 大規(guī)模圖神經(jīng)網(wǎng)絡(luò)在推薦系統(tǒng)中的應(yīng)用 82
6.4.1 物品-物品推薦 82
6.4.2 用戶(hù)-物品推薦 83
6.5 未來(lái)的方向 84
第7章 圖神經(jīng)網(wǎng)絡(luò)的可解釋性 86
7.1 背景：深度模型的可解釋性 86
7.1.1 可解釋性和解釋的定義 86
7.1.2 解釋的價(jià)值 87
7.1.3 傳統(tǒng)的解釋方法 88
7.1.4 機(jī)遇與挑戰(zhàn) 90
7.2 圖神經(jīng)網(wǎng)絡(luò)的解釋方法 90
7.2.1 背景 91
7.2.2 基于近似的解釋 92
7.2.3 基于相關(guān)性傳播的解釋 95
7.2.4 基于擾動(dòng)的解釋 96
7.2.5 生成式解釋 97
7.3 圖神經(jīng)網(wǎng)絡(luò)的可解釋模型 97
7.3.1 基于GNN的注意力模型 98
7.3.2 圖上的解耦化表征學(xué)習(xí) 100
7.4 圖神經(jīng)網(wǎng)絡(luò)解釋的評(píng)估 101
7.4.1 基準(zhǔn)數(shù)據(jù)集 101
7.4.2 評(píng)價(jià)指標(biāo) 103
7.5 未來(lái)的方向 103
第8章 圖神經(jīng)網(wǎng)絡(luò)的對(duì)抗魯棒性 105
8.1 動(dòng)機(jī) 105
8.2 圖神經(jīng)網(wǎng)絡(luò)的局限性：對(duì)抗性樣本 107
8.2.1 對(duì)抗性攻擊的分類(lèi) 107
8.2.2 擾動(dòng)的影響和一些啟示 110
8.2.3 討論和未來(lái)的方向 112
8.3 可證明的魯棒性：圖神經(jīng)網(wǎng)絡(luò)的認(rèn)證 113
8.3.1 特定模型的認(rèn)證 113
8.3.2 模型無(wú)關(guān)的認(rèn)證 115
8.3.3 高級(jí)認(rèn)證和討論 116
8.4 提高圖神經(jīng)網(wǎng)絡(luò)的魯棒性 117
8.4.1 改進(jìn)圖 117
8.4.2 改進(jìn)訓(xùn)練過(guò)程 118
8.4.3 改進(jìn)圖神經(jīng)網(wǎng)絡(luò)的架構(gòu) 120
8.4.4 討論和未來(lái)的方向 121
8.5 從魯棒性的角度進(jìn)行適當(dāng)評(píng)估 122
8.6 小結(jié) 124
第三部分 前沿
第9章 圖分類(lèi) 128
9.1 導(dǎo)讀 128
9.2 用于圖分類(lèi)的圖神經(jīng)網(wǎng)絡(luò)：典型工作和現(xiàn)代架構(gòu) 129
9.2.1 空間方法 129
9.2.2 頻譜方法 132
9.3 池化層：從節(jié)點(diǎn)級(jí)輸出學(xué)習(xí)圖級(jí)輸出 133
9.3.1 基于注意力的池化層 134
9.3.2 基于聚類(lèi)的池化層 134
9.3.3 其他池化層 134
9.4 圖神經(jīng)網(wǎng)絡(luò)和高階層在圖分類(lèi)中的局限性 135
9.5 圖神經(jīng)網(wǎng)絡(luò)在圖分類(lèi)中的應(yīng)用 137
9.6 基準(zhǔn)數(shù)據(jù)集 137
9.7 小結(jié) 138
第 10章 鏈接預(yù)測(cè) 139
10.1 導(dǎo)讀 139
10.2 傳統(tǒng)的鏈接預(yù)測(cè)方法 140
10.2.1 啟發(fā)式方法 140
10.2.2 潛在特征方法 143
10.2.3 基于內(nèi)容的方法 145
10.3 基于GNN的鏈接預(yù)測(cè)方法 145
10.3.1 基于節(jié)點(diǎn)的方法 145
10.3.2 基于子圖的方法 147
10.3.3 比較基于節(jié)點(diǎn)的方法和基于子圖的方法 150
10.4 鏈接預(yù)測(cè)的理論 151
10.4.1 γ?C衰減啟發(fā)式理論 151
10.4.2 貼標(biāo)簽技巧 155
10.5 未來(lái)的方向 158
10.5.1 加速基于子圖的方法 158
10.5.2 設(shè)計(jì)更強(qiáng)大的貼標(biāo)簽技巧 159
10.5.3 了解何時(shí)使用獨(dú)熱特征 159
第 11章 圖生成 160
11.1 導(dǎo)讀 160
11.2 經(jīng)典的圖生成模型 160
11.2.1 Erd s-Rényi模型 161
11.2.2 隨機(jī)塊模型 162
11.3 深度圖生成模型 163
11.3.1 表征圖 163
11.3.2 變分自編碼器方法 164
11.3.3 深度自回歸方法 168
11.3.4 生成對(duì)抗網(wǎng)絡(luò)方法 174
11.4 小結(jié) 178
第 12章 圖轉(zhuǎn)換 179
12.1 圖轉(zhuǎn)換問(wèn)題的形式化 179
12.2 節(jié)點(diǎn)級(jí)轉(zhuǎn)換 180
12.2.1 節(jié)點(diǎn)級(jí)轉(zhuǎn)換的定義 180
12.2.2 交互網(wǎng)絡(luò) 180
12.2.3 時(shí)空卷積循環(huán)神經(jīng)網(wǎng)絡(luò) 181
12.3 邊級(jí)轉(zhuǎn)換 182
12.3.1 邊級(jí)轉(zhuǎn)換的定義 182
12.3.2 圖轉(zhuǎn)換生成對(duì)抗網(wǎng)絡(luò) 183
12.3.3 多尺度圖轉(zhuǎn)換網(wǎng)絡(luò) 184
12.3.4 圖轉(zhuǎn)換策略網(wǎng)絡(luò) 185
12.4 節(jié)點(diǎn)-邊共轉(zhuǎn)換 186
12.4.1 節(jié)點(diǎn)-邊共轉(zhuǎn)換的定義 186
12.4.2 基于編輯的節(jié)點(diǎn)-邊共轉(zhuǎn)換 190
12.5 其他基于圖的轉(zhuǎn)換 193
12.5.1 序列到圖的轉(zhuǎn)換 193
12.5.2 圖到序列的轉(zhuǎn)換 194
12.5.3 上下文到圖的轉(zhuǎn)換 195
12.6 小結(jié) 196
第 13章 圖匹配 197
13.1 導(dǎo)讀 197
13.2 圖匹配學(xué)習(xí) 198
13.2.1 問(wèn)題的定義 199
13.2.2 基于深度學(xué)習(xí)的圖匹配模型 200
13.2.3 基于GNN的圖匹配模型 201
13.3 圖相似性學(xué)習(xí) 205
13.3.1 問(wèn)題的定義 205
13.3.2 圖-圖回歸任務(wù) 206
13.3.3 圖-圖分類(lèi)任務(wù) 209
13.4 小結(jié) 210
第 14章 圖結(jié)構(gòu)學(xué)習(xí) 211
14.1 導(dǎo)讀 211
14.2 傳統(tǒng)的圖結(jié)構(gòu)學(xué)習(xí) 212
14.2.1 無(wú)監(jiān)督圖結(jié)構(gòu)學(xué)習(xí) 212
14.2.2 有監(jiān)督圖結(jié)構(gòu)學(xué)習(xí) 214
14.3 圖神經(jīng)網(wǎng)絡(luò)的圖結(jié)構(gòu)學(xué)習(xí) 215
14.3.1 圖結(jié)構(gòu)和表征的聯(lián)合學(xué)習(xí) 216
14.3.2 與其他問(wèn)題的聯(lián)系 225
14.4 未來(lái)的方向 226
14.4.1 魯棒的圖結(jié)構(gòu)學(xué)習(xí) 226
14.4.2 可擴(kuò)展的圖結(jié)構(gòu)學(xué)習(xí) 226
14.4.3 異質(zhì)圖的圖結(jié)構(gòu)學(xué)習(xí) 227
14.5 小結(jié) 227
第 15章 動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò) 228
15.1 導(dǎo)讀 228
15.2 背景和表示法 229
15.2.1 圖神經(jīng)網(wǎng)絡(luò) 229
15.2.2 序列模型 230
15.2.3 編碼器-解碼器框架和模型訓(xùn)練 233
15.3 動(dòng)態(tài)圖的類(lèi)型 233
15.3.1 離散型與連續(xù)型 234
15.3.2 演變類(lèi)型 235
15.3.3 預(yù)測(cè)問(wèn)題、內(nèi)插法和外推法 235
15.4 用圖神經(jīng)網(wǎng)絡(luò)對(duì)動(dòng)態(tài)圖進(jìn)行建模 236
15.4.1 將動(dòng)態(tài)圖轉(zhuǎn)換為靜態(tài)圖 236
15.4.2 用于DTDG的圖神經(jīng)網(wǎng)絡(luò) 238
15.4.3 用于CTDG的圖神經(jīng)網(wǎng)絡(luò) 240
15.5 應(yīng)用 242
15.5.1 基于骨架的人類(lèi)活動(dòng)識(shí)別 243
15.5.2 交通預(yù)測(cè) 244
15.5.3 時(shí)序知識(shí)圖譜補(bǔ)全 245
15.6 小結(jié) 247
第 16章 異質(zhì)圖神經(jīng)網(wǎng)絡(luò) 248
16.1 HGNN簡(jiǎn)介 248
16.1.1 HG的基本概念 249
16.1.2 異質(zhì)性給HG嵌入帶來(lái)的獨(dú)特挑戰(zhàn) 250
16.1.3 對(duì)HG嵌入最新發(fā)展的簡(jiǎn)要概述 251
16.2 淺層模型 251
16.2.1 基于分解的方法 252
16.2.2 基于隨機(jī)游走的方法 253
16.3 深度模型 254
16.3.1 基于消息傳遞的方法 254
16.3.2 基于編碼器-解碼器的方法 257
16.3.3 基于對(duì)抗的方法 257
16.4 回顧 259
16.5 未來(lái)的方向 259
16.5.1 結(jié)構(gòu)和屬性保存 259
16.5.2 更深入的探索 260
16.5.3 可靠性 260
16.5.4 應(yīng)用 261
第 17章 自動(dòng)機(jī)器學(xué)習(xí) 262
17.1 背景 262
17.1.1 AutoGNN的表示法 264
17.1.2 AutoGNN的問(wèn)題定義 264
17.1.3 AutoGNN的挑戰(zhàn) 265
17.2 搜索空間 265
17.2.1 架構(gòu)搜索空間 266
17.2.2 訓(xùn)練超參數(shù)搜索空間 268
17.2.3 高效的搜索空間 269
17.3 搜索算法 269
17.3.1 隨機(jī)搜索 269
17.3.2 進(jìn)化搜索 270
17.3.3 基于強(qiáng)化學(xué)習(xí)的搜索 270
17.3.4 可微搜索 271
17.3.5 高效的表現(xiàn)評(píng)估 272
17.4 未來(lái)的方向 273
第 18章 自監(jiān)督學(xué)習(xí) 275
18.1 導(dǎo)讀 275
18.2 自監(jiān)督學(xué)習(xí)概述 276
18.3 將SSL應(yīng)用于圖神經(jīng)網(wǎng)絡(luò)：對(duì)訓(xùn)練策略、損失函數(shù)和代理任務(wù)進(jìn)行分類(lèi) 277
18.3.1 訓(xùn)練策略 278
18.3.2 損失函數(shù) 281
18.3.3 代理任務(wù) 283
18.4 節(jié)點(diǎn)級(jí)代理任務(wù) 283
18.4.1 基于結(jié)構(gòu)的節(jié)點(diǎn)級(jí)代理任務(wù) 284
18.4.2 基于特征的節(jié)點(diǎn)級(jí)代理任務(wù) 285
18.4.3 混合代理任務(wù) 285
18.5 圖級(jí)代理任務(wù) 287
18.5.1 基于結(jié)構(gòu)的圖級(jí)代理任務(wù) 287
18.5.2 基于特征的圖級(jí)代理任務(wù) 291
18.5.3 混合代理任務(wù) 291
18.6 節(jié)點(diǎn)-圖級(jí)代理任務(wù) 293
18.7 討論 294
18.8 小結(jié) 295
第四部分 廣泛和新興的應(yīng)用
第 19章 現(xiàn)代推薦系統(tǒng)中的圖神經(jīng)網(wǎng)絡(luò) 298
19.1 圖神經(jīng)網(wǎng)絡(luò)在推薦系統(tǒng)中的實(shí)踐 298
19.1.1 簡(jiǎn)介 298
19.1.2 預(yù)測(cè)用戶(hù)-物品偏好的經(jīng)典方法 302
19.1.3 用戶(hù)-物品推薦系統(tǒng)中的物品推薦：二分圖的視角 302
19.2 案例研究1：動(dòng)態(tài)的GNN學(xué)習(xí) 304
19.2.1 動(dòng)態(tài)序貫圖 304
19.2.2 DSGL 304
19.2.3 模型預(yù)測(cè) 307
19.2.4 實(shí)驗(yàn)和討論 308
19.3 案例研究2：設(shè)備-云協(xié)作的GNN學(xué)習(xí) 309
19.3.1 提議的框架 309
19.3.2 實(shí)驗(yàn)和討論 312
19.4 未來(lái)的方向 313
第 20章 計(jì)算機(jī)視覺(jué)中的圖神經(jīng)網(wǎng)絡(luò) 315
20.1 導(dǎo)讀 315
20.2 將視覺(jué)表征為圖 316
20.2.1 視覺(jué)節(jié)點(diǎn)表征 316
20.2.2 視覺(jué)邊表征 317
20.3 案例研究1：圖像 318
20.3.1 物體檢測(cè) 318
20.3.2 圖像分類(lèi) 319
20.4 案例研究2：視頻 320
20.4.1 視頻動(dòng)作識(shí)別 320
20.4.2 時(shí)序動(dòng)作定位 322
20.5 其他相關(guān)工作：跨媒體 322
20.5.1 視覺(jué)描述 322
20.5.2 視覺(jué)問(wèn)答 323
20.5.3 跨媒體檢索 324
20.6 圖神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的前沿問(wèn)題 324
20.6.1 用于計(jì)算機(jī)視覺(jué)的高級(jí)圖神經(jīng)網(wǎng)絡(luò) 325
20.6.2 圖神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的更廣泛應(yīng)用 325
20.7 小結(jié) 326
第 21章 自然語(yǔ)言處理中的圖神經(jīng)網(wǎng)絡(luò) 327
21.1 導(dǎo)讀 327
21.2 將文本建模為圖 329
21.2.1 自然語(yǔ)言處理中的圖表征 329
21.2.2 從圖的角度完成自然語(yǔ)言處理任務(wù) 330
21.3 案例研究1：基于圖的文本聚類(lèi)和匹配 332
21.3.1 基于圖聚類(lèi)的熱點(diǎn)事件發(fā)現(xiàn)和組織 332
21.3.2 使用圖分解和卷積進(jìn)行長(zhǎng)文檔匹配 333
21.4 案例研究2：基于圖的多跳閱讀理解 335
21.5 未來(lái)的方向 338
21.6 小結(jié) 339
第 22章 程序分析中的圖神經(jīng)網(wǎng)絡(luò) 341
22.1 導(dǎo)讀 341
22.2 程序分析中的機(jī)器學(xué)習(xí) 342
22.3 程序的圖表征 343
22.4 用于程序圖的圖神經(jīng)網(wǎng)絡(luò) 345
22.5 案例研究1：檢測(cè)變量誤用缺陷 346
22.6 案例研究2：預(yù)測(cè)動(dòng)態(tài)類(lèi)型化語(yǔ)言中的類(lèi)型 348
22.7 未來(lái)的方向 350
第 23章 軟件挖掘中的圖神經(jīng)網(wǎng)絡(luò) 352
23.1 導(dǎo)讀 352
23.2 將軟件建模為圖 353
23.2.1 宏觀與微觀層面的表征 353
23.2.2 將宏觀和微觀層面的表征結(jié)合起來(lái) 354
23.3 相關(guān)的軟件挖掘任務(wù) 355
23.4 軟件挖掘任務(wù)實(shí)例：源代碼總結(jié) 357
23.4.1 基于GNN的源代碼總結(jié)快速入門(mén) 357
23.4.2 改進(jìn)的方向 363
23.5 小結(jié) 364
第 24章 藥物開(kāi)發(fā)中基于圖神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)知識(shí)圖譜挖掘 366
24.1 導(dǎo)讀 366
24.2 現(xiàn)有的生物醫(yī)學(xué)知識(shí)圖譜 367
24.3 知識(shí)圖譜的推理 369
24.3.1 傳統(tǒng)的KG推理技術(shù) 370
24.3.2 基于GNN的KG推理技術(shù) 371
24.4 藥物開(kāi)發(fā)中基于KG的假設(shè)生成 374
24.4.1 基于KG的藥物再利用的機(jī)器學(xué)習(xí)框架 374
24.4.2 基于KG的藥物再利用在COVID-19中的應(yīng)用 375
24.5 未來(lái)的方向 376
24.5.1 KG質(zhì)量控制 376
24.5.2 可擴(kuò)展的推理 377
24.5.3 KG與其他生物醫(yī)學(xué)數(shù)據(jù)的結(jié)合 378
第 25章 預(yù)測(cè)蛋白質(zhì)功能和相互作用的圖神經(jīng)網(wǎng)絡(luò) 383
25.1 從蛋白質(zhì)的相互作用到功能簡(jiǎn)介 383
25.1.1 登上舞臺(tái)：蛋白質(zhì)-蛋白質(zhì)相互作用網(wǎng)絡(luò) 384
25.1.2 問(wèn)題形式化、假設(shè)和噪聲：從歷史的視角 384
25.1.3 淺層機(jī)器學(xué)習(xí)模型 385
25.1.4 好戲上演：圖神經(jīng)網(wǎng)絡(luò) 386
25.2 三個(gè)典型的案例研究 387
25.2.1 案例研究1：蛋白質(zhì)-蛋白質(zhì)和蛋白質(zhì)-藥物相互作用的預(yù)測(cè) 387
25.2.2 案例研究2：蛋白質(zhì)功能和功能重要的殘差的預(yù)測(cè) 389
25.2.3 案例研究3：使用圖自編碼器從生物網(wǎng)絡(luò)的表征中學(xué)習(xí)多關(guān)系鏈接預(yù)測(cè) 391
25.3 未來(lái)的方向 393
第 26章 異常檢測(cè)中的圖神經(jīng)網(wǎng)絡(luò) 395
26.1 導(dǎo)讀 395
26.2 基于GNN的異常檢測(cè)的問(wèn)題 397
26.2.1 特定于數(shù)據(jù)的問(wèn)題 397
26.2.2 特定于任務(wù)的問(wèn)題 399
26.2.3 特定于模型的問(wèn)題 399
26.3 流水線(xiàn) 400
26.3.1 圖的構(gòu)建和轉(zhuǎn)換 400
26.3.2 圖表征學(xué)習(xí) 401
26.3.3 預(yù)測(cè) 402
26.4 分類(lèi)法 403
26.5 案例研究 404
26.5.1 案例研究1：用于惡意賬戶(hù)檢測(cè)的圖嵌入 404
26.5.2 案例研究2：基于層次注意力機(jī)制的套現(xiàn)用戶(hù)檢測(cè) 404
26.5.3 案例研究3：用于惡意程序檢測(cè)的注意力異質(zhì)圖神經(jīng)網(wǎng)絡(luò) 405
26.5.4 案例研究4：通過(guò)圖神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)程序表征和相似性度量的圖匹配框架，用于檢測(cè)未知的惡意程序 406
26.5.5 案例研究5：使用基于注意力的時(shí)間GCN進(jìn)行動(dòng)態(tài)圖的異常檢測(cè) 408
26.5.6 案例研究6：使用GAS進(jìn)行垃圾評(píng)論檢測(cè) 408
26.6 未來(lái)的方向 409
第 27章 智慧城市中的圖神經(jīng)網(wǎng)絡(luò) 410
27.1 用于智慧城市的圖神經(jīng)網(wǎng)絡(luò) 410
27.1.1 導(dǎo)讀 410
27.1.2 圖神經(jīng)網(wǎng)絡(luò)在智慧城市中的應(yīng)用場(chǎng)景 411
27.1.3 將城市系統(tǒng)表征為圖 413
27.1.4 案例研究1：圖神經(jīng)網(wǎng)絡(luò)在交通和城市規(guī)劃中的應(yīng)用 415
27.1.5 案例研究2：圖神經(jīng)網(wǎng)絡(luò)在城市事件和異常情況預(yù)測(cè)中的應(yīng)用 417
27.1.6 案例研究3：圖神經(jīng)網(wǎng)絡(luò)在城市人類(lèi)行為分析中的應(yīng)用 417
27.2 未來(lái)的方向 419
參考文獻(xiàn) 420