??

從電信網(wǎng)絡(luò)到社交網(wǎng)絡(luò)，從經(jīng)濟(jì)網(wǎng)絡(luò)到生物醫(yī)學(xué)網(wǎng)絡(luò)……圖結(jié)構(gòu)的數(shù)據(jù)無處不在。

如何提取圖的特征，表示或編碼圖的結(jié)構(gòu)，基于圖數(shù)據(jù)進(jìn)行學(xué)習(xí)、推理和歸納變得越來越重要。

因?yàn)闊o論是進(jìn)行數(shù)據(jù)挖掘、分析社交網(wǎng)絡(luò)，還是優(yōu)化推薦系統(tǒng)、問答系統(tǒng)，乃至未來破解AI黑盒、增強(qiáng)AI可解釋性與魯棒性，實(shí)現(xiàn)認(rèn)知智能甚至通用人工智能，圖都極有可能是其中必不可少的一環(huán)。

近年來，關(guān)于圖表示學(xué)習(xí)（Graph Representation Learning，GRL）的研究激增，其中既包括用于深圖嵌入的技術(shù)、卷積神經(jīng)網(wǎng)絡(luò)在圖結(jié)構(gòu)數(shù)據(jù)上的泛化，也包括受置信度傳播算法啟發(fā)的神經(jīng)消息傳遞方法。

圖表示學(xué)習(xí)的發(fā)展為推薦系統(tǒng)、問答系統(tǒng)、三維視覺、化學(xué)合成等諸多領(lǐng)域帶來了最新的研究成果。

本書內(nèi)容

該如何了解圖表示學(xué)習(xí)的發(fā)展，把握AI的下一波浪潮呢？William Hamilton的《圖表示學(xué)習(xí)》（Graph Representation Learning）也許是開啟未來之門的鑰匙。這是一本圖表示學(xué)習(xí)的開山之作，得到了清華大學(xué)唐杰教授的大力推薦。

《圖表示學(xué)習(xí)》從背景介紹、節(jié)點(diǎn)嵌入、圖神經(jīng)網(wǎng)絡(luò)、生成圖模型等角度全面、系統(tǒng)地介紹了圖表示學(xué)習(xí)的歷史與前沿。

本書目錄如下：

第一部分 背景介紹

第1章 引言?

1.1 什么是圖

1.2 圖機(jī)器學(xué)習(xí)

第2章 背景與傳統(tǒng)方法

2.1 圖統(tǒng)計(jì)特征與核方法?

2.2 鄰域重疊檢測(cè)?

2.3 圖的拉普拉斯矩陣和圖的譜方法?

2.4 面向表示學(xué)習(xí)

第二部分 節(jié)點(diǎn)嵌入

第3章 鄰域節(jié)點(diǎn)重構(gòu)

3.1 編碼-解碼框架?

3.2 基于因式分解的方法?

3.3 隨機(jī)游走嵌入表示?

3.4 shallow embedding 的局限性

第4章 多關(guān)系數(shù)據(jù)及知識(shí)圖譜

4.1 重建多關(guān)系數(shù)據(jù)?

4.2 損失函數(shù)

4.3 多關(guān)系解碼器

4.4 解碼器的性能表征?

第三部分 圖神經(jīng)網(wǎng)絡(luò)（GNN）

第5章 圖神經(jīng)網(wǎng)絡(luò)（GNN）模型?

5.1 神經(jīng)消息傳遞

5.2 廣義鄰域聚合

5.3 廣義的更新方

5.4 邊特征和多元關(guān)系GN

5.5 圖池化?

5.6 通用的消息傳遞方法?

第6章 圖神經(jīng)網(wǎng)絡(luò)（GNN）的實(shí)現(xiàn)?

6.1 應(yīng)用和損失函數(shù)?

6.2 效率問題和節(jié)點(diǎn)采樣?

6.3 參數(shù)共享與正則化

第7章 圖神經(jīng)網(wǎng)絡(luò)（GNN）的理論動(dòng)機(jī)

7.1 GNN與圖卷積?

7.2 GNN和概率圖模型?

7.3 GNN與圖同構(gòu)

第四部分 生成圖模型

第8章 傳統(tǒng)圖生成方法

8.1 傳統(tǒng)方法概述

8.2 ERD?S–RéNYI 模型

8.3 隨機(jī)塊模型?

8.4 優(yōu)先鏈接模型?

8.5 傳統(tǒng)應(yīng)用

第9章 深度生成模型 .

9.1 VAE 方法?

9.2 對(duì)抗方法?

9.3 自回歸模型?

9.4 圖生成的評(píng)估?

9.5 分子圖生成

本書主要作者：

陳華，本書作者William Hamilton博士畢業(yè)于斯坦福大學(xué)，現(xiàn)任吉爾大學(xué)助理教授，曾任職于Facebook AI Research，是GraphSAGE、Deep Graph Infomax等產(chǎn)品的核心開發(fā)者。

本書特色：本書不僅內(nèi)容全面，而且探本溯源、深入淺出。

通過豐富的配圖和詳細(xì)的推導(dǎo)一步步告訴讀者來龍去脈。

并且介紹了目前最前沿的研究進(jìn)展，提供了豐富的參考文獻(xiàn)、PPT等資源。

贈(zèng)書

接下來是福利時(shí)間，本次我們贈(zèng)送出3本書籍，想要獲得書籍的同學(xué)，在本公眾號(hào)下方留言，根據(jù)點(diǎn)贊數(shù)的高低，下周一晚上（7.12）22:00統(tǒng)計(jì)出獲獎(jiǎng)讀者，屆時(shí)聯(lián)系有三微信Longlongtogo即可。

如果沒有獲得贈(zèng)書，也可以在京東購買（當(dāng)前半價(jià)），鏈接如下：

往期相關(guān)

• 【CV春季劃】2021年有三AI-CV春季劃出爐，最后一屆言有三手把手從零帶學(xué)

• 【CV夏季劃】告別入門，提升眼界，從掌握最有價(jià)值的那些CV方向開始
  

• 【CV秋季劃】生成對(duì)抗網(wǎng)絡(luò)GAN有哪些研究和應(yīng)用，如何循序漸進(jìn)地學(xué)習(xí)好？

• 【CV秋季劃】模型優(yōu)化很重要，如何循序漸進(jìn)地學(xué)習(xí)好？

• 【CV秋季劃】人臉?biāo)惴敲炊?#xff0c;如何循序漸進(jìn)地學(xué)習(xí)好？

• 【CV秋季劃】圖像質(zhì)量提升與編輯有哪些研究和應(yīng)用，如何循序漸進(jìn)地學(xué)習(xí)好？

總結(jié)

以上是生活随笔為你收集整理的【赠书】图表示学习+图神经网络：破解AI黑盒，揭示万物奥秘的钥匙！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。