假期快要到了，本次給大家贈(zèng)送5本人工智能領(lǐng)域的技術(shù)書(shū)籍，這次贈(zèng)送的書(shū)籍是《圖神經(jīng)網(wǎng)絡(luò)基礎(chǔ)與前沿》。

這是一本什么樣的書(shū)

圖神經(jīng)網(wǎng)絡(luò)是近兩年學(xué)術(shù)界的熱點(diǎn)，在頂級(jí)會(huì)議上的文章越來(lái)越多。目前圖像，語(yǔ)音，文本等數(shù)據(jù)已經(jīng)可以很好地用卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)處理，在人臉?biāo)惴?#xff0c;語(yǔ)音助手，機(jī)器翻譯等領(lǐng)域取得了廣泛落地。然而對(duì)于描述關(guān)系的圖數(shù)據(jù)，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)無(wú)法直接使用，而這在諸如社交網(wǎng)絡(luò)，電子購(gòu)物等場(chǎng)景中有巨大需求。

本書(shū)內(nèi)容與作者

本書(shū)作者馬騰飛，IBM全球研究院總部研究員，東京大學(xué)博士，研究方向?yàn)闄C(jī)器學(xué)習(xí)、自然語(yǔ)言處理等。近期的研究集中在圖神經(jīng)網(wǎng)絡(luò)及其在醫(yī)療、生化、金融等領(lǐng)域的應(yīng)用。在ICLR、NeurIPS、AAAI等人工智能?chē)?guó)際頂級(jí)會(huì)議上發(fā)表論文30多篇，并與他人合作，在AAAI、KDD等會(huì)議上多次講授圖神經(jīng)網(wǎng)絡(luò)的前沿專(zhuān)題。

這是一本比較緊湊的書(shū)，介紹了許多圖神經(jīng)網(wǎng)絡(luò)的新內(nèi)容，書(shū)中加入了很多近一兩年的新工作，力圖向讀者展現(xiàn)這個(gè)領(lǐng)域的最新研究進(jìn)展。

全書(shū)包含8個(gè)章節(jié)，為彩色印刷。

第 1 章 當(dāng)深度學(xué)習(xí)遇上圖：圖神經(jīng)網(wǎng)絡(luò)的興起 1

1．1 什么是圖1
1．2 深度學(xué)習(xí)與圖 2
1．2．1 圖數(shù)據(jù)的特殊性質(zhì) 3
1．2．2 將深度學(xué)習(xí)擴(kuò)展到圖上的挑戰(zhàn) 4
1．3 圖神經(jīng)網(wǎng)絡(luò)的發(fā)展 5
1．3．1 圖神經(jīng)網(wǎng)絡(luò)的歷史 5
1．3．2 圖神經(jīng)網(wǎng)絡(luò)的分類(lèi) 7
1．4 圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用 8
1．4．1 圖數(shù)據(jù)上的任務(wù) 8
1．4．2 圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域 8
1．5 小結(jié) 11
第 2 章 預(yù)備知識(shí) 13
2．1 圖的基本概念 13
2．2 簡(jiǎn)易圖譜論 15
2．2．1 拉普拉斯矩陣 16
2．2．2 拉普拉斯二次型 17
2．2．3 拉普拉斯矩陣與圖擴(kuò)散 18
2．2．4 圖論傅里葉變換 19
2．3 小結(jié) 20
第 3 章 圖神經(jīng)網(wǎng)絡(luò)模型介紹 21
3．1 基于譜域的圖神經(jīng)網(wǎng)絡(luò) 21
3．1．1 譜圖卷積網(wǎng)絡(luò) 21
3．1．2 切比雪夫網(wǎng)絡(luò) 24
3．1．3 圖卷積網(wǎng)絡(luò) 25
3．1．4 譜域圖神經(jīng)網(wǎng)絡(luò)的局限和發(fā)展 27
3．2 基于空域的圖神經(jīng)網(wǎng)絡(luò) 28
3．2．1 早期的圖神經(jīng)網(wǎng)絡(luò)與循環(huán)圖神經(jīng)網(wǎng)絡(luò) 28
3．2．2 再談圖卷積網(wǎng)絡(luò) 29
3．2．3 GraphSAGE：歸納式圖表示學(xué)習(xí) 31
3．2．4 消息傳遞神經(jīng)網(wǎng)絡(luò) 34
3．2．5 圖注意力網(wǎng)絡(luò) 37
3．2．6 圖同構(gòu)網(wǎng)絡(luò)：Weisfeiler-Lehman 測(cè)試與圖神經(jīng)網(wǎng)絡(luò)的表達(dá)力 39
3．3 小試牛刀：圖卷積網(wǎng)絡(luò)實(shí)戰(zhàn) 42
3．4 小結(jié) 46
第 4 章 深入理解圖卷積網(wǎng)絡(luò) 47
4．1 圖卷積與拉普拉斯平滑：圖卷積網(wǎng)絡(luò)的過(guò)平滑問(wèn)題 47
4．2 圖卷積網(wǎng)絡(luò)與個(gè)性化 PageRank 50
4．3 圖卷積網(wǎng)絡(luò)與低通濾波 52
4．3．1 圖卷積網(wǎng)絡(luò)的低通濾波效果 52
4．3．2 圖濾波神經(jīng)網(wǎng)絡(luò) 54
4．3．3 簡(jiǎn)化圖卷積網(wǎng)絡(luò) 55
4．4 小結(jié) 56
第 5 章 圖神經(jīng)網(wǎng)絡(luò)模型的擴(kuò)展 57
5．1 深層圖卷積網(wǎng)絡(luò) 57
5．1．1 殘差連接 58
5．1．2 JK-Net 60
5．1．3 DropEdge 與 PairNorm 60
5．2 圖的池化 61
5．2．1 聚類(lèi)與池化 62
5．2．2 可學(xué)習(xí)的池化：DiffPool 63
5．2．3 Top-k 池化和 SAGPool 65
5．3 圖的無(wú)監(jiān)督學(xué)習(xí) 67
5．3．1 圖的自編碼器 67
5．3．2 最大互信息 70
5．3．3 其他 72
5．3．4 圖神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練 72
5．4 圖神經(jīng)網(wǎng)絡(luò)的大規(guī)模學(xué)習(xí) 74
5．4．1 點(diǎn)采樣 75
5．4．2 層采樣 76
5．4．3 圖采樣 78
5．5 不規(guī)則圖的深度學(xué)習(xí)模型 80
5．6 小結(jié) 81
第 6 章 其他圖嵌入方法 83
6．1 基于矩陣分解的圖嵌入方法 83
6．1．1 拉普拉斯特征映射 83
6．1．2 圖分解 84
6．2 基于隨機(jī)游走的圖嵌入方法 86
6．2．1 DeepWalk 86
6．2．2 node2vec 87
6．2．3 隨機(jī)游走與矩陣分解的統(tǒng)一 88
6．3 從自編碼器的角度看圖嵌入 88
6．4 小結(jié) 89
第 7 章 知識(shí)圖譜與異構(gòu)圖神經(jīng)網(wǎng)絡(luò) 91
7．1 知識(shí)圖譜的定義和任務(wù) 92
7．1．1 知識(shí)圖譜 92
7．1．2 知識(shí)圖譜嵌入 92
7．2 距離變換模型 94
7．2．1 TransE 模型 94
7．2．2 TransH 模型 95
7．2．3 TransR 模型 96
7．2．4 TransD 模型 97
7．3 語(yǔ)義匹配模型 97
7．3．1 RESCAL 模型 98
7．3．2 DistMult 模型 98
7．3．3 HolE 模型 98
7．3．4 語(yǔ)義匹配能量模型 99
7．3．5 神經(jīng)張量網(wǎng)絡(luò)模型 99
7．3．6 ConvE 模型 100
7．4 知識(shí)圖譜上的圖神經(jīng)網(wǎng)絡(luò) 100
7．4．1 關(guān)系圖卷積網(wǎng)絡(luò) 100
7．4．2 帶權(quán)重的圖卷積編碼器 101
7．4．3 知識(shí)圖譜與圖注意力模型 102
7．4．4 圖神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)知識(shí)圖譜嵌入的結(jié)合：CompGCN 103
7．5 小結(jié) 103
第 8 章 圖神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用 105
8．1 圖數(shù)據(jù)上的一般任務(wù) 105
8．1．1 節(jié)點(diǎn)分類(lèi) 106
8．1．2 鏈路預(yù)測(cè) 106
8．1．3 圖分類(lèi) 107
8．2 生化醫(yī)療相關(guān)的應(yīng)用 108
8．2．1 預(yù)測(cè)分子的化學(xué)性質(zhì)和化學(xué)反應(yīng) 108
8．2．2 圖生成模型與藥物發(fā)現(xiàn) 109
8．2．3 藥物/蛋白質(zhì)交互圖的利用 116
8．3 自然語(yǔ)言處理相關(guān)的應(yīng)用 117
8．4 推薦系統(tǒng)上的應(yīng)用 121
8．5 計(jì)算機(jī)視覺(jué)相關(guān)的應(yīng)用 123
8．6 其他應(yīng)用 124
8．7 小結(jié) 124
參考文獻(xiàn) 127

贈(zèng)書(shū)

接下來(lái)是福利時(shí)間，本次我們贈(zèng)送出5本書(shū)籍，想要獲得書(shū)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，清明假期最后一天、即4月5日晚上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(méi)有獲得贈(zèng)書(shū)，也可以閱讀原文鏈接，在京東購(gòu)買(mǎi)。

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(mén)，提升眼界，從掌握最有價(jià)值的那些CV方向開(kāi)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】图神经网络基础与前沿最新书籍，赠5本学习的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。