图表征学习：迈向动态开放环境

图书标准信息

• 作者 朱文武
• 出版社 电子工业出版社
• 出版时间 2023-07
• 版次 01
• ISBN 9787121454868
• 定价 108.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 260页

【内容简介】

图数据是对万物间联系的一般抽象，广泛存在于各行各业中。图表征学习为图数据的建模与分析提供了新范式，是近年来机器学习与数据挖掘领域的热门研究方向，并被有效地应用于推荐系统、交通预测等众多领域。本书将全面介绍图表征学习，特别是针对处于真实世界动态、开放环境之中图数据的图表征学习方法。本书分为3 篇：第1 篇介绍图嵌入和图神经网络等经典图表征学习方法；第2 篇围绕鲁棒性、动态性、可解释性、分布外泛化性等多个角度，系统地介绍针对动态开放环境中的图表征学习方法；第3 篇以四个不同领域为例，从推荐系统、交通预测、自然语言处理、组合优化等场景，介绍图表征学习的应用方法。除了对代表性方法进行详细介绍，本书还提供了丰富的参考文献，读者可以更深入地学习图表征学习的前沿内容。
  《图表征学习：迈向动态开放环境》适合具有一定机器学习基础的高年级本科生、研究生、教师和研究者，以及对图数据感兴趣的计算机工程师和从业人员阅读，也适合对人工智能、深度学习和图数据分析感兴趣的其他人士参考。

【作者简介】

朱文武

清华大学计算机科学与技术系教授，清华大学人工智能研究院大数据智能中心主任，信息科学与技术国家研究中心副主任，国家973项目首席科学家。欧洲科学院院士、ACM Fellow、IEEE Fellow、AAAS Fellow、SPIE Fellow。曾任微软亚洲研究院主任研究员、英特尔中国研究院首席科学家与总监及美国贝尔实验室研究员等职。主要从事多媒体智能计算、大数据分析等研究工作。曾担任IEEE Transactions on Multimedia主编、指导委员会主席。10次获国际最佳论文奖。获2018年度国家自然科学二等奖（排名第1）和2012年度国家自然科学二等奖（排名第2）。

 

王  鑫

清华大学计算机科学与技术系助理研究员，中国计算机学会多媒体专业技术委员会副秘书长，清华大学博士后校友会秘书处副秘书长。主要研究方向为多媒体智能、媒体大数据、机器学习等，在IEEE TPAMI、ICML、NeurIPS、ACM Multimedia等相关领域国际顶级期刊或会议上发表论文100余篇。承担国家优秀青年科学基金等项目，获2017年度中国博士后创新人才支持计划、2020年度ACM中国新星奖、2022年度IEEE TCMC新星奖。

 

张子威

清华大学计算机科学与技术系博士后，清华大学数理基科班学士、计算机系博士。主要研究方向为图机器学习，在国际顶级期刊和会议上发表论文30余篇，谷歌学术引用超过3000次。曾获清华大学优秀博士毕业生与优秀博士毕业论文、吴文俊人工智能优秀博士学位论文提名，入选百度AI华人新星百强榜单、AI 2000学者榜单、2022年博士后创新人才支持计划。

【目录】

第1 章概述/1

1.1 引言/1

1.2 图基础知识/3

1.3 机器学习基础知识/7

 

第1 篇经典图表征学习

第2 章图嵌入/13

2.1 基于随机游走的图嵌入/13

2.2 基于矩阵分解的图嵌入/18

2.3 基于深度自编码器的图嵌入/21

2.4 本章小结/24

第3 章图神经网络/25

3.1 谱域图神经网络/26

3.2 空域图神经网络/34

3.3 消息传递图神经网络/41

3.4 图池化/47

3.5 本章小结/53

第4 章图表征学习理论分析/54

4.1 图信号处理/54

4.2 图同构测试/58

4.3 图神经网络表达能力/61

4.4 过平滑与深层图神经网络/64

4.5 本章小结/68

 

第2 篇动态开放环境图表征学习

第5 章鲁棒图表征学习/71

5.1 图数据上的对抗样本/71

5.2 图对抗攻击的分类/73

5.3 图神经网络模型上的攻击与防御方法/75

5.4 本章小结/78

第6 章解耦图表征学习· 79

6.1 基于变分自编码器的解耦图神经网络/79

6.2 基于邻域路由机制的解耦图神经网络/81

6.3 基于其他思想的解耦图神经网络/87

6.4 本章小结/90

第7 章动态图表征学习/91

7.1 动态图数据/91

7.2 离散时间动态图表征学习/92

7.3 连续时间动态图表征学习/94

7.4 本章小结/96

第8 章无监督图神经网络与自监督图神经网络/97

8.1 无监督学习的图神经网络/97

8.2 自监督学习的图神经网络/99

8.3 本章小结/106

第9 章图神经网络的可解释性/107

9.1 简介/107

9.2 可解释方法分类/109

9.3 实例级局部解释/110

9.4 模型级全局解释/114

9.5 对解释模型的评价/115

9.6 可解释性的交叉学科应用/117

9.7 本章小结/118

第10 章自动图表征学习/119

10.1 自动机器学习简介/119

10.2 图超参数优化/120

10.3 图神经网络架构搜索/122

10.4 本章小结/132

第11 章元学习与图表征学习/133

11.1 元学习简介/133

11.2 图上的元学习/136

11.3 本章小结/143

第12 章分布外泛化图表征学习/144

12.1 图分布外泛化问题和分类/145

12.2 数据层面方法/148

12.3 模型层面方法/151

12.4 学习策略/155

12.5 理论分析/162

12.6 本章小结/163

 

第3 篇图表征学习的应用

第13 章推荐系统/167

13.1 通用推荐/168

13.2 序列推荐/176

13.3 本章小结/179

第14 章交通预测/180

14.1 时空图/181

14.2 时空图神经网络模型/181

14.3 本章小结/188

第15 章自然语言处理/189

15.1 文本分类/189

15.2 关系抽取/192

15.3 文本生成/193

15.4 问答系统/196

15.5 其他任务/198

15.6 本章小结/198

第16 章组合优化/199

16.1 简介/199

16.2 预备知识/200

16.3 寻找可行解/201

16.4 本章小结/207

第17 章图表征学习展望/209

参考文献/211