第1章 图上的深度学习 1
1.1 人工智能与深度学习 2
1.2 图神经网络时代的来临 6
1.3 图数据处理面临的挑战 9
1.4 图神经网络的应用层面 12
1.5 图神经网络的发展简史 15
1.6 图神经网络的模块与分类 20
1.7 本章小结 23
参考资料 24
第2章 图神经网络的数学基础 27
2.1 矩阵论基础 28
2.2 图论基础 43
2.3 谱图论基础 65
2.4 本章小结 80
参考资料 80
第3章 神经网络学习与算法优化 82
3.1 人工神经网络的缘起 83
3.2 神经网络的性原理 84
3.3 感知机模型与前馈神经网络 87
3.4 更强表征能力的多层感知机 91
3.5 不可或缺的激活函数 93
3.6 损失函数 100
3.7 神经网络的训练 105
3.8 优化算法的分类 109
3.9 本章小结 112
参考资料 113
第4章 深度学习基础 115
4.1 深度学习时代的兴起 116
4.2 卷积神经网络 118
4.3 可圈可点的卷积层 120
4.4 降维减负的汇聚层 131
4.5 不可或缺的全连接层 135
4.6 防止过拟合 136
4.7 本章小结 143
参考资料 143
第5章 神经网络中的表示学习 145
5.1 表示学习的背景 146
5.2 离散表示与独热编码 148
5.3 分布式表示与神经网络 150
5.4 自编码器中的表示学习 153
5.5 嵌入表示与Word2vec 161
5.6 词嵌入实战 171
5.7 本章小结 179
参考资料 180
第6章 面向图数据的嵌入表示 182
6.1 图嵌入概述 183
6.2 DeepWalk的原理 184
6.3 基于DeepWalk的维基百科相似网页检测 198
6.4 LINE模型 208
6.5 Node2vec 211
6.6 Metapath2vec 215
6.7 本章小结 218
参考资料 219
第7章 初代图神经网络 221
7.1 初代图神经网络的诞生 222
7.2 GNN中的数据聚合 222
7.3 初代GNN的工作原理 225
7.4 初代图神经网络的局限性 235
7.5 本章小结 235
参考资料 236
第8章 空域图卷积神经网络 238
8.1 图卷积神经网络概述 239
8.2 MPNN模型 244
8.3 GCN与CNN的关联 245
8.4 图卷积节点分类实践 248
8.5 GraphSAGE 263
8.6 基于GraphSAGE的实践 273
8.7 本章小结 283
参考资料 284
第9章 谱域图卷积神经网络 286
9.1 傅里叶变换 287
9.2 图傅里叶变换 2909.3 谱域视角下的图卷积 296
9.4 基于谱域GCN的演进 300
9.5 Karate Club图卷积分类实践 308
9.6 本章小结 323
参考资料 323
鄂公网安备 42010302001612号 