從深度學習到圖神經(jīng)網(wǎng)絡：模型與實踐

第1章  圖上的深度學習 1
1.1  人工智能與深度學習 2
1.2  圖神經(jīng)網(wǎng)絡時代的來臨 6
1.3  圖數(shù)據(jù)處理面臨的挑戰(zhàn) 9
1.4  圖神經(jīng)網(wǎng)絡的應用層面 12
1.5  圖神經(jīng)網(wǎng)絡的發(fā)展簡史 15
1.6  圖神經(jīng)網(wǎng)絡的模塊與分類 20
1.7  本章小結 23
參考資料 24
 
第2章  圖神經(jīng)網(wǎng)絡的數(shù)學基礎 27
2.1  矩陣論基礎 28
2.2  圖論基礎 43
2.3  譜圖論基礎 65
2.4  本章小結 80
參考資料 80
 
第3章  神經(jīng)網(wǎng)絡學習與算法優(yōu)化 82
3.1  人工神經(jīng)網(wǎng)絡的緣起 83
3.2  神經(jīng)網(wǎng)絡的性原理 84
3.3  感知機模型與前饋神經(jīng)網(wǎng)絡 87
3.4  更強表征能力的多層感知機 91
3.5  不可或缺的激活函數(shù) 93
3.6  損失函數(shù) 100
3.7  神經(jīng)網(wǎng)絡的訓練 105
3.8  優(yōu)化算法的分類 109
3.9  本章小結 112
參考資料 113
 
第4章  深度學習基礎 115
4.1  深度學習時代的興起 116
4.2  卷積神經(jīng)網(wǎng)絡 118
4.3  可圈可點的卷積層 120
4.4  降維減負的匯聚層 131
4.5  不可或缺的全連接層 135
4.6  防止過擬合 136
4.7  本章小結 143
參考資料 143
 
第5章  神經(jīng)網(wǎng)絡中的表示學習 145
5.1  表示學習的背景 146
5.2  離散表示與獨熱編碼 148
5.3  分布式表示與神經(jīng)網(wǎng)絡 150
5.4  自編碼器中的表示學習 153
5.5  嵌入表示與Word2vec 161
5.6  詞嵌入實戰(zhàn) 171
5.7  本章小結 179
參考資料 180
 
第6章  面向圖數(shù)據(jù)的嵌入表示 182
6.1  圖嵌入概述 183
6.2  DeepWalk的原理 184
6.3  基于DeepWalk的維基百科相似網(wǎng)頁檢測 198
6.4  LINE模型 208
6.5  Node2vec 211
6.6  Metapath2vec 215
6.7  本章小結 218
參考資料 219
 
第7章  初代圖神經(jīng)網(wǎng)絡 221
7.1  初代圖神經(jīng)網(wǎng)絡的誕生 222
7.2  GNN中的數(shù)據(jù)聚合 222
7.3  初代GNN的工作原理 225
7.4  初代圖神經(jīng)網(wǎng)絡的局限性 235
7.5  本章小結 235
參考資料 236
 
第8章  空域圖卷積神經(jīng)網(wǎng)絡 238
8.1  圖卷積神經(jīng)網(wǎng)絡概述 239
8.2  MPNN模型 244
8.3  GCN與CNN的關聯(lián) 245
8.4  圖卷積節(jié)點分類實踐 248
8.5  GraphSAGE 263
8.6  基于GraphSAGE的實踐 273
8.7  本章小結 283
參考資料 284
 
第9章  譜域圖卷積神經(jīng)網(wǎng)絡 286
9.1  傅里葉變換 287
9.2  圖傅里葉變換 2909.3  譜域視角下的圖卷積 296
9.4  基于譜域GCN的演進 300
9.5  Karate Club圖卷積分類實踐 308
9.6  本章小結 323
參考資料 323