深入浅出图神经网络：GNN原理解析
批量上传，套装书可能不全，下单前咨询在线客服！ 正版书 ！！！
￥ 42.38 4.8折 ￥ 89 全新
库存16件
四川成都
认证卖家担保交易快速发货售后保障
作者刘忠雨
出版社机械工业出版社
ISBN9787111643630
出版时间2023-01
装帧平装
开本16开
定价89元
货号28503294
上书时间2024-10-19
商品详情
- 品相描述：全新
- 商品描述
-
前言
为何写作本书
近年来，作为一项新兴的图数据学习技术，图神经网络（GNN）受到了非常广泛的关注。2018年年末，发生了一件十分有趣的事情，该领域同时发表了三篇综述类型论文，这种“不约而同”体现了学术界对该项技术的认可。事实上，在2019年的各大学术会议上，与图神经网络有关的论文也占据了相当可观的份额。相信在未来几年，这种流行的趋势会只增不减。
图神经网络技术的出现有其必然性和重要性。在深度神经网络技术兴起的前几年，图像、语音、文本等形式的数据都能在深度学习中被很好地应用，并获得了十分好的效果。这促使大量的相关应用进入了实用阶段，如人脸识别、语音助手、机器翻译等。尽管如此，深度学习一直无法很好地对另一类形式的数据—图数据（或称网络数据）进行有效的适配。作为一类主要用来描述关系的通用数据表示方法，图数据在产业界有着更加广阔的应用场景，在诸如社交网络、电子购物、物联网、生物制药等场景中，都可以找到图数据的影子。将深度学习技术的成功经验迁移到图数据的学习中来，是一种十分自然且必要的需求。
在这样的背景下，图神经网络的出现很好地填补了上述技术空白，实现了图数据与深度学习技术的有效结合，使得深度学习能够在图数据的相关应用场景中继续攻城略地。事实上，纵观这三年，图神经网络技术的相关应用和研究已经拓展到了极其广泛的领域，从视觉推理到开放的阅读理解问题，从药物分子的研发到5G芯片的设计，从交通流量预测到3D点云数据的学习，该项技术都展示出了极其重要且极具渗透性的应用能力，这种能力必将给产业界带来极高的应用价值。
笔者所在公司极验在业务风控的应用场景中，长期奋战在网络攻防对抗的前线，在这样的背景下，不管是主动还是被动，都促使我们不断努力提升数据分析与数据建模的能力，一直以来，我们都期望有一套端对端的模型来高效学习数据中的关系或结构化信息。极验在2017年年中与图神经网络技术结缘，正好提供了这样的契机，在对该项技术进行多番论证并上线到极验的实际业务中后，取得了超出预期的效果，这极大提升了我们对该项技术的热情。同时，为了更好地对这项新技术进行讨论和学习，我们组织了相应的学习社群，大家都表现出了高昂的热情，这份热情激励笔者将更多精力投入到该项技术上，也正因如此，写一本关于图神经网络的书籍的想法应运而生。期望通过本书，让读者朋友对该项技术的来龙去脉有更清晰、全面的认识。如果能产生更大的知识分享成果，那么本书的价值就更高了，这将是对我们的 好回报。
本书读者对象
想学习并初步实践图神经网络技术的读者
想较系统且深入理解图神经网络技术的读者
本书主要内容
本书分为三大部分：
部分为基础篇，包括第1～4章，其中第1章由笔者撰写，第2～4章由李彦霖撰写。主要介绍学习图神经网络所需的基础知识，包括图的基本概念、卷积神经网络以及表示学习，帮助初学者更加清晰地认识到图神经网络技术与深度学习技术是一脉相承的。
第二部分为高级篇，包括第5～9章。这部分是本书的重点，主要讲解图卷积神经网络的理论基础和性质、图神经网络的各种变体和框架范式、图分类以及基于GNN的图表示学习。该部分的各章节都有相关的实践案例，为读者规划了完整的从理论到实践的学习路线，帮助读者系统全面地学习图神经网络。这部分有两位作者，理论部分由笔者撰写，实践案例的代码由李彦霖提供。
第三部分为应用篇，即第10章，主要介绍了图神经网络目前的一些应用。图神经网络的应用非常广泛，现实应用场景非常多，但鉴于本书的规划，这里只是略着笔墨，旨在抛砖引玉，让读者对应用场景有一定的认知。这部分由周洋撰写。
后，每个章节都附有相关的参考文献。
本书特色
本书有如下特色：
（1）详细阐述了图卷积模型的由来，以及什么是频域图卷积和空域图卷积，这是很多初学者学习该技术的只“拦路虎”；
（2）集中阐述了图卷积模型的性质，这些性质的解读对读者深入地理解图神经网络技术有着重要的作用；
（3）给出了关键部分的代码，希望能辅助读者清晰理解书中的一些公式里的变量的具体含义。
（4）本书为了帮助读者理解图神经网络的相关概念和技术，提供了很多示意图。
勘误和支持
由于作者的水平有限，编写时间仓促，书中难免会出现一些错误或者不准确的地方，恳请读者批评指正。如果你遇到任何问题，可以访问我们专门为本书创建的技术主页 https://github.com/FighterLYL/GraphNeuralNetwork，我们将尽量为读者提供满意的解答。如果你有更多宝贵的意见，也欢迎发送邮件至邮箱yfc@hzbook.com，期待能够得到你们的真挚反馈。
致谢
首先要感谢这个开放的时代，深度学习技术的爆发离不开产、学、研的紧密结合，在信息开放、知识分享的大背景下，我们每一个人都是其中的受益者。
感谢笔者所在公司极验科技，对本书的写作提供了大力支持，特别是同事谢永芬，完成了书稿所有章节的初排工作，为其中大量的公式和插图付出了许多精力。
感谢机械工业出版社华章公司的编辑杨福川和张锡鹏，在这段时间始终支持我们的写作，他们的耐心和专业引导我们顺利完成了撰写工作。
后，感谢我的妻子，她理解并支持我这段时间的挑灯写作，家人的关怀是我前进的动力！
刘忠雨
导语摘要
内容简介
这是一本从原理、算法、实现、应用4个维度详细讲解图神经网络的著作，在图神经网络领域具有重大的意义。
本书作者是图神经网络领域的技术专家，作者所在的公司极验也是该领域的领先者。本书是作者和极验多年研究和实践经验的总结，内容系统、扎实、深入浅出，得到了白翔、俞栋等几位来自学术界和企业界的领军人物的高度评价和强烈推荐。
全书共10章：
第1～4章全面介绍了图、图数据、卷积神经网络以及表示学习等基础知识，是阅读本书的预备知识；
第5～6章从理论的角度出发，讲解了图信号处理和图卷积神经网络，深入剖析了图卷积神经网络的性质，并提供了GCN实现节点分类的实例。
第7～9章全面的讲解了图神经网络的各种变体及范式、图分类机制及其实践，以及基于GNN的图表示学习；
第10章介绍了图神经网络的*新研究和应用。
作者简介
作者简介
刘忠雨
毕业于华中科技大学，图神经网络技术专家，极验科技人工智能实验室主任和首席技术官。在机器学习、深度学习以及图学习领域有6年以上的算法架构和研发经验，主导研发了极验行为验证、深知业务风控、叠图等产品，极验科技目前服务于全球 26万家企业。
李彦霖
毕业于武汉大学，极验人工智能实验室技术专家。一直从事机器学习、深度学习、图学习方面的研究工作。在深度神经网络算法研发、图神经网络在计算机视觉以及风控中的应用等方面实践经验丰富。
周洋
工学博士，毕业于武汉大学，目前在华中师范大学任教。曾受邀到北卡罗来纳大学访学，长期在大数据挖掘前沿领域进行探索和研究，并应用于地理时空大数据、交通地理等诸多方向，已发表SCI&SSCI及核心期刊论文10余篇。
目录
前言
第1章 图的概述1
1.1 图的基本定义1
1.1.1 图的基本类型2
1.1.2 邻居和度4
1.1.3 子图与路径4
1.2 图的存储与遍历5
1.2.1 邻接矩阵与关联矩阵5
1.2.2 图的遍历6
1.3 图数据的应用场景7
1.4 图数据深度学习10
1.5 参考文献13
第2章 神经网络基础17
2.1 机器学习基本概念17
2.1.1 机器学习分类17
2.1.2 机器学习流程概述18
2.1.3 常见的损失函数21
2.1.4 梯度下降算法23
2.2 神经网络25
2.2.1 神经元25
2.2.2 多层感知器27
2.3 激活函数29
2.3.1 S型激活函数30
2.3.2 ReLU及其变种30
2.4 训练神经网络33
2.4.1 神经网络的运行过程34
2.4.2 反向传播34
2.4.3 优化困境36
2.5 参考文献38
第3章 卷积神经网络39
3.1 卷积与池化39
3.1.1 信号处理中的卷积39
3.1.2 深度学习中的卷积操作42
3.1.3 池化46
3.2 卷积神经网络46
3.2.1 卷积神经网络的结构47
3.2.2 卷积神经网络的特点49
3.3 特殊的卷积形式51
3.3.1 1×1卷积51
3.3.2 转置卷积52
3.3.3 空洞卷积54
3.3.4 分组卷积55
3.3.5 深度可分离卷积55
3.4 卷积网络在图像分类中的应用56
3.4.1 VGG56
3.4.2 Inception系列57
3.4.3 ResNet60
3.5 参考文献62
第4章 表示学习65
4.1 表示学习65
4.1.1 表示学习的意义65
4.1.2 离散表示与分布式表示66
4.1.3 端到端学习是一种强大的表示学习方法68
4.2 基于重构损失的方法—自编码器69
4.2.1 自编码器69
4.2.2 正则自编码器71
4.2.3 变分自编码器72
4.3 基于对比损失的方法—Word2vec75
4.4 参考文献79
第5章 图信号处理与图卷积神经网络81
5.1 矩阵乘法的三种方式81
5.2 图信号与图的拉普拉斯矩阵83
5.3 图傅里叶变换85
5.4 图滤波器90
5.4.1 空域角度93
5.4.2 频域角度94
5.5 图卷积神经网络96
5.6 GCN实战101
5.7 参考文献109
第6章 GCN的性质111
6.1 GCN与CNN的联系111
6.2 GCN能够对图数据进行端对端学习115
6.3 GCN是一个低通滤波器120
6.4 GCN的问题—过平滑122
6.5 参考文献127
第7章 GNN的变体与框架129
7.1 GraphSAGE129
7.1.1 采样邻居130
7.1.2 聚合邻居131
7.1.3 GraphSAGE算法过程132
7.2 GAT134
7.2.1 注意力机制134
7.2.2 图注意力层137
7.2.3 多头图注意力层138
7.3 R-GCN140
7.3.1 知识图谱140
7.3.2 R-GCN141
7.4 GNN的通用框架143
7.4.1 MPNN143
7.4.2 NLNN146
7.4.3 GN147
7.5 GraphSAGE实战148
7.6 参考文献153
第8章 图分类155
8.1 基于全局池化的图分类155
8.2 基于层次化池化的图分类156
8.2.1 基于图坍缩的池化机制157
8.2.2 基于TopK的池化机制165
8.2.3 基于边收缩的池化机制168
8.3 图分类实战169
8.4 参考文献177
第9章 基于GNN的图表示学习179
9.1 图表示学习180
9.2 基于GNN的图表示学习182
9.2.1 基于重构损失的GNN183
9.2.2 基于对比损失的GNN184
9.3 基于图自编码器的推荐系统188
9.4 参考文献195
第10章 GNN的应用简介197
10.1 GNN的应用简述197
10.2 GNN的应用案例199
10.2.1 3D视觉199
10.2.2 基于社交网络的推荐系统203
10.2.3 视觉推理205
10.3 GNN的未来展望208
10.4 参考文献209
附录A 符号声明211
内容摘要
内容简介
这是一本从原理、算法、实现、应用4个维度详细讲解图神经网络的著作，在图神经网络领域具有重大的意义。
本书作者是图神经网络领域的技术专家，作者所在的公司极验也是该领域的领先者。本书是作者和极验多年研究和实践经验的总结，内容系统、扎实、深入浅出，得到了白翔、俞栋等几位来自学术界和企业界的领军人物的高度评价和强烈推荐。
全书共10章：
第1～4章全面介绍了图、图数据、卷积神经网络以及表示学习等基础知识，是阅读本书的预备知识；
第5～6章从理论的角度出发，讲解了图信号处理和图卷积神经网络，深入剖析了图卷积神经网络的性质，并提供了GCN实现节点分类的实例。
第7～9章全面的讲解了图神经网络的各种变体及范式、图分类机制及其实践，以及基于GNN的图表示学习；
第10章介绍了图神经网络的*新研究和应用。
主编推荐
作者简介
刘忠雨
毕业于华中科技大学，图神经网络技术专家，极验科技人工智能实验室主任和首席技术官。在机器学习、深度学习以及图学习领域有6年以上的算法架构和研发经验，主导研发了极验行为验证、深知业务风控、叠图等产品，极验科技目前服务于全球 26万家企业。
李彦霖
毕业于武汉大学，极验人工智能实验室技术专家。一直从事机器学习、深度学习、图学习方面的研究工作。在深度神经网络算法研发、图神经网络在计算机视觉以及风控中的应用等方面实践经验丰富。
周洋
工学博士，毕业于武汉大学，目前在华中师范大学任教。曾受邀到北卡罗来纳大学访学，长期在大数据挖掘前沿领域进行探索和研究，并应用于地理时空大数据、交通地理等诸多方向，已发表SCI&SSCI及核心期刊论文10余篇。
— 没有更多了 —
以下为对购买帮助不大的评价