1.1 設計動機 1
1.1.1 捲積神經網絡 1
1.1.2 圖嵌入 3
1.2 相關工作 3
第 2章 數學和圖論基礎 7
2.1 綫性代數 7
2.1.1 基本概念 7
2.1.2 特徵分解 10
2.1.3 奇異值分解 11
2.2 概率論 12
2.2.1 基本概念和公式 12
2.2.2 概率分布 14
2.3 圖論 15
2.3.1 基本概念 16
2.3.2 圖的代數錶示 16
第3章 神經網絡基礎 19
3.1 神經元 19
3.2 後嚮傳播 22
3.3 神經網絡 24
第4章 基礎圖神經網絡 27
4.1 概述 27
4.2 模型介紹 28
4.3 局限性 30
第5章 捲積圖神經網絡 33
5.1 基於譜分解的方法 33
5.1.1 Spectral Network 33
5.1.2 ChebNet 34
5.1.3 GCN 35
5.1.4 AGCN 36
5.2 基於空間結構的方法 37
5.2.1 Neural FP 37
5.2.2 PATCHY-SAN 38
5.2.3 DCNN 40
5.2.4 DGCN 40
5.2.5 LGCN 42
5.2.6 MoNet 44
5.2.7 GraphSAGE 45
第6章 循環圖神經網絡 47
6.1 GGNN 47
6.2 Tree-LSTM 49
6.3 Graph-LSTM 50
6.4 S-LSTM 51
第7章 圖注意力網絡 55
7.1 GAT 55
7.2 GaAN 57
第8章 圖殘差網絡 59
8.1 Highway GCN 59
8.2 Jump Knowledge Network 60
8.3 DeepGCN 62
第9章 不同圖類型的模型變體 65
9.1 有嚮圖 65
9.2 異構圖 66
9.3 帶有邊信息的圖 68
9.4 動態圖 70
9.5 多維圖 72
第 10章 高級訓練方法 75
10.1 采樣 75
10.2 層級池化 78
10.3 數據增廣 80
10.4 無監督訓練 80
第 11章 通用框架 83
11.1 MPNN 83
11.2 NLNN 85
11.3 GN 87
第 12章 結構化場景應用 93
12.1 物理學 93
12.2 化學和生物學 95
12.2.1 分子指紋 95
12.2.2 化學反應預測 97
12.2.3 藥物推薦 97
12.2.4 蛋白質和分子交互預測 98
12.3 知識圖譜 99
12.3.1 知識圖譜補全 99
12.3.2 歸納式知識圖譜嵌入 100
12.3.3 知識圖譜對齊 101
12.4 推薦係統 102
12.4.1 矩陣補全 103
12.4.2 社交推薦 104
第 13章 非結構化場景應用 105
13.1 圖像領域 105
13.1.1 圖像分類 105
13.1.2 視覺推理 108
13.1.3 語義分割 109
13.2 文本領域 110
13.2.1 文本分類 110
13.2.2 序列標注 111
13.2.3 神經機器翻譯 112
13.2.4 信息抽取 113
13.2.5 事實驗證 114
13.2.6 其他應用 116
第 14章 其他場景應用 117
14.1 生成模型 117
14.2 組閤優化 119
第 15章 開放資源 121
15.1 數據集 121
15.2 代碼實現 123
第 16章 總結 125
16.1 淺層結構 125
16.2 動態圖 126
16.3 非結構化場景 126
16.4 可擴展性 126
參考文獻 129
作者簡介 148
· · · · · · (收起)
具體描述
清華大學劉知遠力作，一書輕鬆構建GNN知識體係。
前沿：圖神經網絡（GNN）已風靡深度學習領域
全麵：綜述流行的GNN框架以及應用場景
新增：在英文版的基礎上增補更多內容
力薦：多位AI先鋒學者聯袂推薦
精美：采用高檔純質紙，全彩印刷，適閤珍藏
圖神經網絡（GNN）是基於深度學習的圖數據處理方法，因其卓越的性能而受到廣泛關注。本書全麵介紹瞭GNN的基本概念、具體模型和實際應用。書中首先概述數學基礎和神經網絡以及圖神經網絡的基本概念，接著介紹不同種類的GNN，包括捲積圖神經網絡、循環圖神經網絡、圖注意力網絡、圖殘差網絡，以及幾個通用框架。此外，本書還介紹瞭GNN在結構化場景、非結構化場景和其他場景中的應用。讀完本書，你將對GNN的最新成果和發展方嚮有較為透徹的認識。
用戶評價
##走馬觀花似的羅列各種 GNN 模型和論文中的公式，看完基本上隻能記住個名字吧
評分##Not worth the money. 好書不是讓讀者知道作者懂什麼，而是寫的讓讀者親自懂。
評分##適閤純入門使用。介紹瞭GNN 所需的基礎的數學後，對捲積 GNN、循環GNN、注意力、殘差等都做瞭介紹。然後對訓練方法和通用框架做瞭補充，並在應用層麵分結構化和非結構化分彆介紹瞭不同領域的應用。
評分##可以當論文查找的小冊子，內容很淺
評分##適閤讀瞭一些GNN論文，但是尚未瞭解GNN全貌的人閱讀。 內容確實很淺，不精細，但是足夠告訴讀者2020年前GNN發展動態。舉例來說，我先前研究的是圖分類算法，但是對於GNN的其他細分領域，比如有嚮圖，異構圖，多維圖是完全不知道的。由於之前隻重視算法細節，不讀本書我也不知道GNN在圖像、本文、組閤優化等領域有很多實際的應用。 現在再去迴答以前麵試官關於"GNN到底有什麼用"的問題，會更有底氣一點。 值得一提的是，譯者李濼鞦好像是個和我同屆的碩士，當年看著他知乎上一篇一篇寫文章的，如今他都齣書瞭，我依舊還在山上吃草……
評分##讀瞭一半吧，隻能從宏觀上瞭解一下圖神經網絡，相當於對各個經典模型的簡要介紹，原理還得自己查，想學懂學通看這本肯定不行，類似綜述吧。不過印刷很好，這個算是優點吧
評分##建議書名改為“圖神經網絡論文綜述（導讀）”。不客氣的說，真是一點臉都不要。
評分##2021.11.24 第2章，基礎數學概念，講的不詳實，隻擺結果，但結果又少瞭很多批注，讓即使是學過相關知識但是遺忘的我，還是想不起來，看不懂。難以想象小白看瞭是不是直接放棄。書裏的字太大瞭，明明可以充實更多內容。 2022.2.3 個人認為這本書叫“導覽”更閤適。細節內容基本沒有，讓鑽細節的人束手無策。但是GCN的總體發展確實都涵蓋瞭，隻不過都蜻蜓點水瞭。 讀的過程深刻感受到人多力量大的現實。短短10年，大量人力物力財力湧入GCN，帶來瞭現在無論自媒體還是各類書籍，都有各種深入淺齣的資料可以學習。反觀一直在慢慢走的基礎科學，文獻難度，不僅得慢慢抽絲剝繭還得訓練自己有高視野分辨，大大增加瞭各種難度。 不如…來年也湧入潮流吧…… 等對DL有更多完備的實操知識後，再來溫習這書。
評分##非常簡略，感覺隻適閤作為論文速查手冊；扣一分給價格
相關圖書
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.tinynews.org All Rights Reserved. 静思书屋 版权所有