新华书店直发 全新正版 急速发货 开票联系客服
¥ 86.66 8.0折 ¥ 109 全新
仅1件
作者(美)William Hamilton(威廉·汉密尔顿)
出版社电子工业出版社
ISBN9787121410772
出版时间2021-06
装帧平装
开本16开
定价109元
货号29247982
上书时间2024-10-20
本书提供了一份关于图表示学习的综述。
首先,讨论图表示学习的目标及图论和网络分析的关键方法论。
然后,介绍并回顾了学习节点嵌入的方法,包括基于随机游走的方法以及在知识图谱上的应用。
再后,对高度成功的图神经网络( Graph Neural Network, GNN)进行了技术上的综合介绍, GNN已成为图数据深度学习领域占主导地位且迅速发展的范式。
结尾,总结针对图的深度生成模型的进展,这是图表示学习新生但发展迅速的子集。
威廉·汉密尔顿( William Hamilton)是麦吉尔大学( McGill University)计算机科学系的助理教授,也是加拿大高等研究院( Canadian Institute forAdvanced Research, CIFAR) AI 方向的主席、 GraphSAGE 的作者。他专注于图表示学习及其在计算社会科学和生物学中的应用。近年来,他在机器学习和网络科学领域的会议发表了 20 多篇关于图表示学习的论文, 并参与组织了关于该主题的几次大型研讨会,分享了多份重磅教程。他的工作获得了多个奖项的认可, 其中包括 2017 年美国科学院 Cozzarelli论文奖和 2018 年斯坦福大学计算机科学系 Arthur Samuel 博士论文奖等。
AI TIME是 2019年由清华大学人工智能研究院张钹院士和清华大学计算机系唐杰教授、李涓子教授等人联合发起的圈子。AI TIME是一个开放、包容的组织,专注于探索AI科学、发扬科学思辨精神。我们邀请各界人士辩论AI本质,介绍学术前沿、展示研究机构风采,鼓励所有参与者用辩论的形式,平等、自由、充分地交流,探讨人工智能和人类未来之间的矛盾,探索人工智能领域的未来。
部分 背景介绍
第 1 章 引言 ............................................................................................... 2
1.1 什么是图? ...................................................................................... 3
1.1.1 多关系图 .............................................................................. 4
1.1.2 特征信息 .............................................................................. 5
1.2 图机器学习 ...................................................................................... 6
1.2.1 节点分类 .............................................................................. 7
1.2.2 关系预测 .............................................................................. 9
1.2.3 聚类和社区发现................................................................. 11
1.2.4 图的分类、回归与聚类 ..................................................... 11
第 2 章 背景与传统方法 ............................................................................ 13
2.1 图统计特征与核方法 ..................................................................... 14
2.1.1 节点层面的统计特征 ......................................................... 14
2.1.2 图层面的特征和图核 ......................................................... 20
2.2 邻域重叠检测 ................................................................................ 23
2.2.1 局部重叠测量..................................................................... 25
2.2.2 全局重叠测量..................................................................... 26
2.3 图的拉普拉斯矩阵和图的谱方法 .................................................. 32
2.3.1 图拉普拉斯矩阵................................................................. 32
2.3.2 图割与图聚类..................................................................... 35
2.3.3 广义谱聚类 ........................................................................ 40
2.4 面向表示学习 ................................................................................ 41
第二部分 节点嵌入
第 3 章 邻域节点重构................................................................................ 44
3.1 编码-解码框架 ............................................................................... 45
3.1.1 编码.................................................................................... 46
3.1.2 解码器 ................................................................................ 47
3.1.3 编码-解码模型的优化........................................................ 48
3.1.4 编码-解码方法概述............................................................ 49
3.2 基于因式分解的方法 ..................................................................... 49
3.3 随机游走嵌入表示......................................................................... 52
3.4 shallow embedding 的局限性 ......................................................... 56
第 4 章 多关系数据及知识图谱 .................................................................. 58
4.1 重建多关系数据............................................................................. 59
4.2 损失函数 ........................................................................................ 60
4.3 多关系解码器 ................................................................................ 64
4.4 解码器的性能表征......................................................................... 68
第三部分 图神经网络( GNN)
第 5 章 图神经网络( GNN)模型 .............................................................. 72
5.1 神经消息传递 ................................................................................ 74
5.1.1 消息传递框架概述 ............................................................. 74
5.1.2 动机和思想 ........................................................................ 76
5.1.3 基本的 GNN ....................................................................... 77
5.1.4 自环消息传递..................................................................... 79
5.2 广义邻域聚合 ................................................................................ 80
5.2.1 邻域归一化 ........................................................................ 81
5.2.2 集合聚合操作..................................................................... 83
5.2.3 邻域注意力模型................................................................. 86
5.3 广义的更新方法............................................................................. 89
5.3.1 拼接和跳跃连接................................................................. 92
5.3.2 门控更新函数..................................................................... 94
5.3.3 跳跃知识连接..................................................................... 95
5.4 边特征和多元关系 GNN ................................................................ 96
5.4.1 关系 GNN ........................................................................... 96
5.4.2 注意力机制和特征拼接 ..................................................... 98
5.5 图池化............................................................................................ 99
5.6 通用的消息传递方法 ................................................................... 102
第 6 章 图神经网络( GNN)的实现......................................................... 104
6.1 应用和损失函数........................................................................... 104
6.1.1 用于节点分类的 GNN ...................................................... 105
6.1.2 用于图分类的 GNN .......................................................... 107
6.1.3 用于关系预测的 GNN ...................................................... 108
6.1.4 预训练 GNN ..................................................................... 108
6.2 效率问题和节点采样 ................................................................... 110
6.2.1 图级别的实现方法 ........................................................... 110
6.2.2 子采样和小批量............................................................... 111
6.3 参数共享与正则化....................................................................... 112
第 7 章 图神经网络( GNN)的理论动机.................................................. 114
7.1 GNN 与图卷积............................................................................. 115
7.1.1 卷积与傅里叶变换 ........................................................... 115
7.1.2 从时间信号到图信号 ....................................................... 118
7.1.3 谱图卷积 .......................................................................... 124
7.1.4 卷积启发的 GNN ............................................................. 129
7.2 GNN 和概率图模型 ..................................................................... 135·
7.2.1 分布的希尔伯特空间嵌入................................................ 135
7.2.2 图作为图模型................................................................... 136
7.2.3 嵌入平均场推断............................................................... 137
7.2.4 更一般的 GNN 和 PGM ................................................... 141
7.3 GNN 与图同构............................................................................. 141
7.3.1 图同构 .............................................................................. 142
7.3.2 图同构与表示能力 ........................................................... 143
7.3.3 WL 算法 ........................................................................... 143
7.3.4 GNN 和 WL 算法 ............................................................. 145
7.3.5 超越 WL 算法 .................................................................. 148
第四部分 生成图模型
第 8 章 传统图
本书提供了一份关于图表示学习的综述。
首先,讨论图表示学习的目标及图论和网络分析的关键方法论。
然后,介绍并回顾了学习节点嵌入的方法,包括基于随机游走的方法以及在知识图谱上的应用。
再后,对高度成功的图神经网络( Graph Neural Network, GNN)进行了技术上的综合介绍, GNN已成为图数据深度学习领域占主导地位且迅速发展的范式。
结尾,总结针对图的深度生成模型的进展,这是图表示学习新生但发展迅速的子集。
威廉·汉密尔顿( William Hamilton)是麦吉尔大学( McGill University)计算机科学系的助理教授,也是加拿大高等研究院( Canadian Institute forAdvanced Research, CIFAR) AI 方向的主席、 GraphSAGE 的作者。他专注于图表示学习及其在计算社会科学和生物学中的应用。近年来,他在机器学习和网络科学领域的会议发表了 20 多篇关于图表示学习的论文, 并参与组织了关于该主题的几次大型研讨会,分享了多份重磅教程。他的工作获得了多个奖项的认可, 其中包括 2017 年美国科学院 Cozzarelli论文奖和 2018 年斯坦福大学计算机科学系 Arthur Samuel 博士论文奖等。
AI TIME是 2019年由清华大学人工智能研究院张钹院士和清华大学计算机系唐杰教授、李涓子教授等人联合发起的圈子。AI TIME是一个开放、包容的组织,专注于探索AI科学、发扬科学思辨精神。我们邀请各界人士辩论AI本质,介绍学术前沿、展示研究机构风采,鼓励所有参与者用辩论的形式,平等、自由、充分地交流,探讨人工智能和人类未来之间的矛盾,探索人工智能领域的未来。
现在AI面临的问题是缺乏可解释性和鲁棒性。如果未来要做推理、规划、逻辑等表示,万亿级的常识知识图谱、认知图谱和图表示学习是很有帮助的。本书全面、系统地介绍了图表示学习的发展脉络与研究现状,相信能给工业界和学术界的读者带来启发。因此,特别建议大家阅读。
清华大学计算机系教授、IEEE Fellow 唐杰
— 没有更多了 —
以下为对购买帮助不大的评价