图神经网络基础、模型与应用实战

当今社会，图数据（如社交网络、交通网络、化学分子结构等）的出现越来越普遍，图神经网络在解决这些复杂的图数据上的挑战方面已经展现出了惊人的效果。图神经网络不仅能够解决传统机器学习方法无法解决的图数据问题，而且能够应用于许多实际场景，例如社交网络、推荐系统、药物发现、网络安全、金融风控、交通网络优化、计算机视觉、自然语言处理、医疗保健、物理科学和遥感科学等。
本书需要哪些预备知识
本书要求读者具备一定的预备知识，包括深度学习基础、线性代数、概率论、编程语言（如Python）的知识。对深度学习的理解至少应包括神经网络的基本原理和常见架构。对线性代数和概率论的理解应该能够支撑对复杂模型的数学描述和理论分析。读者应熟悉NumPy、Pandas等数据处理库，以及PyTorch等深度学习框架。
本书涵盖图神经网络的哪些方面
本书旨在为初学者和实践者提供一个详细的、全面的图神经网络入门指南，围绕图神经网络基础、实现、应用等方面进行介绍，主要内容包括图神经网络的基础、模型、算法实现、应用场景（如社交网络分析、推荐系统、蛋白质结构预测和图像分割等），以及图神经网络未来发展的前瞻性探讨。
图神经网络有哪些优势
图神经网络的主要优势在于其独特的能力，通过对图结构数据（如社交网络、推荐系统等）中的节点和边进行深度学习，有效捕捉和利用数据的拓扑关系，实现复杂关系和交互效应的建模。这种方法不仅能够提高数据分析和预测的准确性，而且能够揭示隐藏在图数据中的深层次模式和结构，从而在推荐系统、社交网络等多个领域提供前所未有的洞见和解决方案。
本书的特点
（1）全面深入：本书介绍了图神经网络的基础知识、算法原理、应用案例以及实践技巧，内容全面、深入。
（2）应用广泛：本书不仅介绍了图神经网络在社交网络分析、推荐系统等领域的应用，还介绍了其在计算机视觉和自然语言处理等领域的应用。
（3）实践性强：本书介绍了如何使用Python和流行的PyTorch框架来实现图神经网络，同时还介绍了如何处理和准备图数据集以及图神经网络的超参数调优方法等实践技巧。
（4）系统性强：本书的章节结构清晰，内容层次分明，系统性强，让读者在学习图神经网络时可以更好地理解整体框架和思路。
（5）前瞻性强：本书在讨论图神经网络未来发展的章节中，探讨了图神经网络的挑战和限制，并讨论了图神经网络未来的研究方向和应用前景，具有较强的前瞻性。
资源下载
本书配套示例源码、数据集、PPT课件，请读者用自己的微信扫描下面的二维码下载。如果在学习本书的过程中发现问题或有疑问，可发送邮件至booksaga@163.com，邮件主题写上“图神经网络基础、模型与应用实战”。

本书读者
?图神经网络初学者
?图神经网络算法开发人员
?深度学习算法开发人员
?高等院校或高职高专图神经网络课程的师生

作  者
2024年2月

图神经网络不仅能够解决传统机器学习方法无法解决的图数据问题，而且能够应用于许多实际场景，例如社交网络、药物发现、网络安全、金融风控等。《图神经网络基础、模型与应用实战》旨在为初学者和实践者提供一个详细、全面的入门指南，围绕图神经网络基础、模型、应用实战（均采用Python PyTorch实现）等方面进行介绍。《图神经网络基础、模型与应用实战》配套示例源码、数据集、PPT课件。
《图神经网络基础、模型与应用实战》共分9章，内容包括图神经网络概述、PyTorch开发环境搭建、数据集的获取与加载、图神经网络模型、图神经网络在自然语言处理领域的应用、图神经网络在计算机视觉领域的应用、图神经网络在推荐系统领域的应用、图神经网络在社交网络领域的应用、图神经网络的挑战和机遇。其中，每个领域的应用都包括1~3个实战项目，可以帮助读者快速掌握图神经网络。
《图神经网络基础、模型与应用实战》适合图神经网络初学者、图神经网络算法开发人员、深度学习算法开发人员，也适合高等院校或高职高专图神经网络相关课程的师生教学参考。

兰伟，广西大学计算机与电子信息学院副教授，博士研究生导师，中南大学博士。主要研究方向为机器学习、数据挖掘、生物信息学。在国际知名期刊和会议上发表论文60余篇，先后出版专著2部，获省部级奖项1项。

第1章  图神经网络概述 1
1.1  什么是图神经网络 1
1.1.1  图的基础知识 1
1.1.2  图神经网络简介 2
1.1.3  图神经网络的应用领域 3
1.2  图神经网络的重要性 4
1.3  图神经网络与传统深度学习的区别 5
1.3.1  传统深度学习模型 6
1.3.2  图神经网络与传统深度学习的区别 8
第2章  PyTorch开发环境搭建 10
2.1  Anaconda的安装和配置 10
2.2  PyCharm的安装和配置 12
2.3  PyTorch Geometric的安装和配置 13
2.3.1  查看系统支持的CUDA版本 14
2.3.2  下载最新的Navida显卡驱动 14
2.3.3  下载CUDA Toolkit 14
2.3.4  cuDNN的安装 16
2.3.5  安装PyTorch框架虚拟环境 17
2.3.6  检查PyTorch框架的安装 18
2.3.7  安装图神经网络库 19
2.3.8  使用Jupyter Notebook运行代码 20
第3章  数据集的获取与加载 22
3.1  PyTorch Geometric内置数据集 22
3.1.1  PyTorch Geometric简介 22
3.1.2  PyG内置数据集简介 23
3.1.3  如何加载内置数据集 24
3.2  自定义数据集 25
3.2.1  torch_geometric.data.Dataset类 25
3.2.2  torch_geometric.data.DataLoader类 28
3.2.3  如何加载自定义数据集 29
3.3  数据集预处理步骤 31
3.3.1  图像数据预处理 31
3.3.2  图数据预处理 41
第4章  图神经网络模型 45
4.1  图卷积神经网络 46
4.1.1  图卷积神经网络的起源和发展 46
4.1.2  图卷积神经网络与卷积神经网络的异同 46
4.1.3  图卷积神经网络简单代码实现 47
4.1.4  卷积神经网络简单代码示例 49
4.1.5  图卷积神经网络的应用领域 50
4.2  图注意力网络 51
4.2.1  图注意力网络的由来和发展 51
4.2.2  图注意力网络模型代码实现 51
4.2.3  图注意力网络的应用领域 53
4.3  图自编码器 54
4.3.1  图自编码器的由来和发展 54
4.3.2  图自编码器代码实现 54
4.3.3  图自编码器的应用领域 56
4.4  图生成网络 57
4.4.1  图生成网络的由来和发展 57
4.4.2  图生成网络代码实现 57
4.4.3  图生成网络的应用领域 59
第5章  图神经网络在自然语言处理领域的应用 60
5.1  基于图神经网络的文本分类实现 60
5.1.1  问题描述 61
5.1.2  导入数据集 61
5.1.3  词嵌入 63
5.1.4  构造邻接矩阵 64
5.1.5  构建图数据 66
5.1.6  图的小型批处理 68
5.1.7  图卷积神经网络 69
5.1.8  模型训练与测试 70
5.2  基于图神经网络的情感分析实现 71
5.2.1  问题描述 72
5.2.2  导入数据集 72
5.2.3  词嵌入 74
5.2.4  语法依存树 74
5.2.5  图的小型批处理 76
5.2.6  图神经网络的构造 77
5.2.7  模型训练与测试 78
5.3  基于图神经网络的机器翻译实现 79
5.3.1  基于语法感知的图神经网络编码器用于机器翻译 80
5.3.2  利用图卷积神经网络挖掘机器翻译中的语义信息 80
5.3.3  示例总结 80
第6章  图神经网络在计算机视觉领域的应用 81
6.1  基于图神经网络的图像分类实现 82
6.1.1  基于端到端的图神经网络模型的图像分类 82
6.1.2  基于区域的图神经网络模型的图像分类 93
6.2  基于图神经网络的目标检测实现 117
6.2.1  图神经网络的目标检测方法及其优缺点 117
6.2.2  GSDT目标检测的步骤 118
6.2.3  问题描述 120
6.2.4  导入数据集 120
6.2.5  模型搭建 120
6.2.6  模型训练与测试 121
6.3  基于图神经网络的图像生成实现 122
6.3.1  基于草图组合与图像匹配的图像生成 122
6.3.2  基于图神经网络的场景图生成 125
6.3.3  基于图卷积神经网络从场景图生成图像 126
第7章  图神经网络在推荐系统领域的应用 153
7.1  基于图神经网络的用户兴趣建模实现 154
7.2  基于图神经网络的推荐算法实现 155
7.3  基于图神经网络的广告推荐实现 156
7.3.1  数据预处理 157
7.3.2  模型定义 161
7.3.3  参数设置 165
7.3.4  模型训练与测试 168
7.3.5  结果 173
第8章  图神经网络在社交网络领域的应用 174
8.1  基于图神经网络的社交网络分析实现 174
8.1.1  问题描述 174
8.1.2  导入数据集 175
8.1.3  模型搭建 176
8.1.4  模型训练与测试 177
8.1.5  示例总结 178
8.2  基于图神经网络的社交网络关系预测实现 180
8.2.1  问题描述 180
8.2.2  导入数据集 181
8.2.3  模型搭建 182
8.2.4  模型训练与测试 183
8.2.5  示例总结 186
8.3  基于图神经网络的社交网络推荐实现 190
8.3.1  问题描述 190
8.3.2  导入数据集 190
8.3.3  模型搭建 192
8.3.4  模型训练与测试 193
8.3.5  示例总结 195
第9章  图神经网络的挑战和机遇 197
9.1  图神经网络的发展历程和现状 197
9.1.1  图神经网络的分类 198
9.1.2  经典的图神经网络模型 198
9.2  图神经网络的技术挑战和应用机遇 202
9.3  图神经网络的未来发展方向和热点问题 203

图神经网络不仅能够解决传统机器学习方法无法解决的图数据问题，而且能够应用于许多实际场景，例如社交网络、药物发现、网络安全、金融风控等。《图神经网络基础、模型与应用实战》旨在为初学者和实践者提供一个详细、全面的入门指南，围绕图神经网络基础、模型、应用实战（均采用Python PyTorch实现）等方面进行介绍。《图神经网络基础、模型与应用实战》配套示例源码、数据集、PPT课件。
《图神经网络基础、模型与应用实战》共分9章，内容包括图神经网络概述、PyTorch开发环境搭建、数据集的获取与加载、图神经网络模型、图神经网络在自然语言处理领域的应用、图神经网络在计算机视觉领域的应用、图神经网络在推荐系统领域的应用、图神经网络在社交网络领域的应用、图神经网络的挑战和机遇。其中，每个领域的应用都包括1~3个实战项目，可以帮助读者快速掌握图神经网络。
《图神经网络基础、模型与应用实战》适合图神经网络初学者、图神经网络算法开发人员、深度学习算法开发人员，也适合高等院校或高职高专图神经网络相关课程的师生教学参考。

兰伟，广西大学计算机与电子信息学院副教授，博士研究生导师，中南大学博士。主要研究方向为机器学习、数据挖掘、生物信息学。在国际知名期刊和会议上发表论文60余篇，先后出版专著2部，获省部级奖项1项。