书籍详情
![《图神经网络导论》[87M]百度网盘|亲测有效|pdf下载](/upload/2024-12-29/e999bc6f5463cb4e.jpg.avif)
图神经网络导论
- 作者:刘知远，周界 著
- 热度:5139
- 上架时间:2025-01-04 08:18:29
- 价格:0.0
书籍下载
书籍预览
免责声明
本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源，一旦发现资源涉及侵权，将立即删除。希望所有用户一同监督并反馈问题，如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
内容介绍
作 者:刘知远,周界 著 李泺秋 译
定 价:69.8
出 版 社:人民邮电出版社
出版日期:2021年04月01日
页 数:160
装 帧:平装
ISBN:9787115559845
1.清华大学刘知远力作；
2.图神经网络入门导引；
3.邱锡鹏等多位AI先锋学者推荐；
4.全彩印刷。
“图神经网络技术发展迅速，想快速学习、掌握这些技术有很多困难。这本书的特点是简明扼要、系统完整，是学习图神经网络的一本好教材。”
——张长水
清华大学自动化系教授、IEEE Fellow
“图神经网络是近年机器学习的研究热点，也在很多领域取得应用。这本书内容详尽，既包含对图神经网络基础的介绍，也有新的一些研究，同时还覆盖了部分应用，非常系统化，是一本非常值得推荐的书。”
——唐杰
清华大学等
●第1章 引论
1.1 设计动机
1.1.1 卷积神经网络
1.1.2 图嵌入
1.2 相关工作
第2章 数学和图论基础
2.1 线性代数
2.1.1 基本概念
2.1.2 特征分解
2.1.3 奇异值分解
2.2 概率论
2.2.1 基本概念和公式
2.2.2 概率分布
2.3 图论
2.3.1 基本概念
2.3.2 图的代数表示
第3章 神经网络基础
3.1 神经元
3.2 后向传播
3.3 神经网络
第4章 基础图神经网络
4.1 概述
4.2 模型介绍
4.3 局限性
第5章 卷积图神经网络
5.1 基于谱分解的方法
5.1.1 Spectral Network
5.1.2 ChebNet
5.1.3 GCN
5.1.4 AGCN
5.2 基于空间结构的方法
5.2.1 Neural FP
5.2.2 PATCHY-SAN
5.2.3 DCNN
5.2.4 DGCN
5.2.5 LGCN
5.2.6 MoNet
5.2.7 GraphSAGE
第6章 循环图神经网络
6.1 GGNN
6.2 Tree-LSTM
6.3 Graph-LSTM
6.4 S-LSTM
第7章 图注意力网络
7.1 GAT
7.2 GaAN
第8章 图残差网络
8.1 Highway GCN
8.2 Jump Knowledge Network
8.3 DeepGCN
第9章 不同图类型的模型变体
9.1 有向图
9.2 异构图
9.3 带有边信息的图
9.4 动态图
9.5 多维图
第10章 高级训练方法
10.1 采样
10.2 层级池化
10.3 数据增广
10.4 无监督训练
第11章 通用框架
11.1 MPNN
11.2 NLNN
11.3 GN
第12章 结构化场景应用
12.1 物理学
12.2 化学和生物学
12.2.1 分子指纹
12.2.2 化学反应预测
12.2.3 药物推荐
12.2.4 蛋白质和分子交互预测
12.3 知识图谱
12.3.1 知识图谱补全
12.3.2 归纳式知识图谱嵌入
12.3.3 知识图谱对齐
12.4 推荐系统
12.4.1 矩阵补全
12.4.2 社交推荐
第13章 非结构化场景应用
13.1 图像领域
13.1.1 图像分类
13.1.2 视觉推理
13.1.3 语义分割
13.2 文本领域
13.2.1 文本分类
13.2.2 序列标注
13.2.3 神经机器翻译
13.2.4 信息抽取
13.2.5 事实验证
13.2.6 其他应用
第14章 其他场景应用
14.1 生成模型
14.2 组合优化
第15章 开放资源
15.1 数据集
15.2 代码实现
第16章 总结
16.1 浅层结构
16.2 动态图
16.3 非结构化场景
16.4 可扩展性
参考文献
作者简介
1.1 设计动机
1.1.1 卷积神经网络
1.1.2 图嵌入
1.2 相关工作
第2章 数学和图论基础
2.1 线性代数
2.1.1 基本概念
2.1.2 特征分解
2.1.3 奇异值分解
2.2 概率论
2.2.1 基本概念和公式
2.2.2 概率分布
2.3 图论
2.3.1 基本概念
2.3.2 图的代数表示
第3章 神经网络基础
3.1 神经元
3.2 后向传播
3.3 神经网络
第4章 基础图神经网络
4.1 概述
4.2 模型介绍
4.3 局限性
第5章 卷积图神经网络
5.1 基于谱分解的方法
5.1.1 Spectral Network
5.1.2 ChebNet
5.1.3 GCN
5.1.4 AGCN
5.2 基于空间结构的方法
5.2.1 Neural FP
5.2.2 PATCHY-SAN
5.2.3 DCNN
5.2.4 DGCN
5.2.5 LGCN
5.2.6 MoNet
5.2.7 GraphSAGE
第6章 循环图神经网络
6.1 GGNN
6.2 Tree-LSTM
6.3 Graph-LSTM
6.4 S-LSTM
第7章 图注意力网络
7.1 GAT
7.2 GaAN
第8章 图残差网络
8.1 Highway GCN
8.2 Jump Knowledge Network
8.3 DeepGCN
第9章 不同图类型的模型变体
9.1 有向图
9.2 异构图
9.3 带有边信息的图
9.4 动态图
9.5 多维图
第10章 高级训练方法
10.1 采样
10.2 层级池化
10.3 数据增广
10.4 无监督训练
第11章 通用框架
11.1 MPNN
11.2 NLNN
11.3 GN
第12章 结构化场景应用
12.1 物理学
12.2 化学和生物学
12.2.1 分子指纹
12.2.2 化学反应预测
12.2.3 药物推荐
12.2.4 蛋白质和分子交互预测
12.3 知识图谱
12.3.1 知识图谱补全
12.3.2 归纳式知识图谱嵌入
12.3.3 知识图谱对齐
12.4 推荐系统
12.4.1 矩阵补全
12.4.2 社交推荐
第13章 非结构化场景应用
13.1 图像领域
13.1.1 图像分类
13.1.2 视觉推理
13.1.3 语义分割
13.2 文本领域
13.2.1 文本分类
13.2.2 序列标注
13.2.3 神经机器翻译
13.2.4 信息抽取
13.2.5 事实验证
13.2.6 其他应用
第14章 其他场景应用
14.1 生成模型
14.2 组合优化
第15章 开放资源
15.1 数据集
15.2 代码实现
第16章 总结
16.1 浅层结构
16.2 动态图
16.3 非结构化场景
16.4 可扩展性
参考文献
作者简介
图神经网络（GNN）是基于深度学习的图数据处理方法，因其卓越的性能而受到广泛关注。本书全面介绍了GNN的基本概念、具体模型和实际应用。书中首先概述数学基础和神经网络以及图神经网络的基本概念，接着介绍不同种类的GNN，包括卷积图神经网络、循环图神经网络、图注意力网络、图残差网络，以及几个通用框架。此外，本书还介绍了GNN在结构化场景、非结构化场景和其他场景中的应用。读完本书，你将对GNN的近期新成果和发展方向有较为透彻的认识。本书既适合人工智能方向的学生和学者阅读，也适合从事深度学习和神经网络相关工作的企业界人士参阅。
刘知远,周界 著 李泺秋 译
【作者简介】
刘知远
清华大学计算机科学与技术系副教授、博士生导师、智源人工智能研究院研究员，在自然语言处理、表示学习、知识图谱等人工智能研究领域享有盛誉，所开发的自然语言处理算法已成为该领域的代表方法。2018年入选《麻省理工科技评论》“35岁以下科技创新35人”。
周界
清华大学计算机科学与技术系硕士，曾在ACL、KDD等国际会议上发表论文，研究兴趣包括图神经网络和自然语言处理。
【译者简介】
李泺秋
浙江大学计算机科学硕士，研究兴趣主要为自然语言处理。
相关推荐