图神经网络 基础与前沿

"√梳理图神经网络（GNN）领域的经典模型 √帮助读者构建图神经网络知识体系 √厘清重要模型的设计思路和技术细节 √展现图神经网络的zui新研究进展 √图神经网络在推荐系统、生物医疗、自然语言处理等不同场景的实践"

图神经网络是人工智能领域的一个新兴方向，它不仅迅速得到了学术界的广泛关注，而且被成功地应用在工业界的多个领域。本书介绍了图神经网络和图深度学习的基础知识和前沿研究，不仅包括它们的发展历史和经典模型，还包括图神经网络在深层网络、无监督学习、大规模训练、知识图谱推理等方面的前沿研究，以及它们在不同领域（如推荐系统、生化医疗、自然语言处理等）的实际应用。本书既可作为人工智能领域研究和开发人员的技术参考书，也可作为对图上的深度学习感兴趣的高年级本科生和研究生的入门书。

马腾飞，IBM全球研究院总部研究员，东京大学博士，研究方向为机器学习、自然语言处理等。近期的研究集中在图神经网络及其在医疗、生化、金融等领域的应用。在ICLR、NeurlPS、AAAl等人工智能国际会议上发表论文30多篇，并与他人合作，在AAAI、KDD等会议上多次讲授图神经网络的前沿专题。

第1章当深度学习遇上图：图神经网络的兴起1
1.1什么是图1
1.2深度学习与图2
1.2.1图数据的特殊性质3
1.2.2将深度学习扩展到图上的挑战4
1.3图神经网络的发展5
1.3.1图神经网络的历史5
1.3.2图神经网络的分类7
1.4图神经网络的应用8
1.4.1图数据上的任务8
1.4.2图神经网络的应用领域8
1.5小结11
第2章预备知识13
2.1图的基本概念13
2.2简易图谱论15
2.2.1拉普拉斯矩阵16
2.2.2拉普拉斯二次型17
2.2.3拉普拉斯矩阵与图扩散18
2.2.4图论傅里叶变换19
2.3小结20
第3章图神经网络模型介绍21
3.1基于谱域的图神经网络21
3.1.1谱图卷积网络21
3.1.2切比雪夫网络24
3.1.3图卷积网络25
3.1.4谱域图神经网络的局限和发展27
3.2基于空域的图神经网络28
3.2.1早期的图神经网络与循环图神经网络28
3.2.2再谈图卷积网络29
3.2.3GraphSAGE：归纳式图表示学习31
3.2.4消息传递神经网络34
3.2.5图注意力网络37
3.2.6图同构网络：Weisfeiler-Lehman测试与图神经网络的表达力39
3.3小试牛刀：图卷积网络实战42
3.4小结46
第4章深入理解图卷积网络47
4.1图卷积与拉普拉斯平滑：图卷积网络的过平滑问题47
4.2图卷积网络与个性化PageRank50
4.3图卷积网络与低通滤波52
4.3.1图卷积网络的低通滤波效果52
4.3.2图滤波神经网络54
4.3.3简化图卷积网络55
4.4小结56
第5章图神经网络模型的扩展57
5.1深层图卷积网络57
5.1.1残差连接58
5.1.2JK-Net60
5.1.3DropEdge与PairNorm60
5.2图的池化61
5.2.1聚类与池化62
5.2.2可学习的池化：DiffPool63
5.2.3Top-k池化和SAGPool65
5.3图的无监督学习67
5.3.1图的自编码器67
5.3.2优选互信息70
5.3.3其他72
5.3.4图神经网络的预训练72
5.4图神经网络的大规模学习74
5.4.1点采样75
5.4.2层采样76
5.4.3图采样78
5.5不规则图的深度学习模型80
5.6小结81
第6章其他图嵌入方法83
6.1基于矩阵分解的图嵌入方法83
6.1.1拉普拉斯特征映射83
6.1.2图分解84
6.2基于随机游走的图嵌入方法86
6.2.1DeepWalk86
6.2.2node2vec87
6.2.3随机游走与矩阵分解的统一88
6.3从自编码器的角度看图嵌入88
6.4小结89
第7章知识图谱与异构图神经网络91
7.1知识图谱的定义和任务92
7.1.1知识图谱92
7.1.2知识图谱嵌入92
7.2距离变换模型94
7.2.1TransE模型94
7.2.2TransH模型95
7.2.3TransR模型96
7.2.4TransD模型97
7.3语义匹配模型97
7.3.1RESCAL模型98
7.3.2DistMult模型98
7.3.3HolE模型98
7.3.4语义匹配能量模型99
7.3.5神经张量网络模型99
7.3.6ConvE模型100
7.4知识图谱上的图神经网络100
7.4.1关系图卷积网络100
7.4.2带权重的图卷积编码器101
7.4.3知识图谱与图注意力模型102
7.4.4图神经网络与传统知识图谱嵌入的结合：CompGCN103
7.5小结103
第8章图神经网络模型的应用105
8.1图数据上的一般任务105
8.1.1节点分类106
8.1.2链路预测106
8.1.3图分类107
8.2生化医疗相关的应用108
8.2.1预测分子的化学性质和化学反应108
8.2.2图生成模型与药物发现109
8.2.3药物/蛋白质交互图的利用116
8.3自然语言处理相关的应用117
8.4推荐系统上的应用121
8.5计算机视觉相关的应用123
8.6其他应用124
8.7小结124
参考文献127