图机器学习

《图机器学习》详细阐述了与图机器学习相关的基本解决方案，带领读者掌握图论的基本概念以及用于构建成功的机器学习应用程序的大多数算法和技术。

本书详细阐述了与图机器学习相关的基本解决方案，主要包括图的基础知识、图机器学习概述、无监督图学习、有监督图学习、使用图机器学习技术解决问题、社交网络图、使用图进行文本分析和自然语言处理、信用卡交易的图分析、构建数据驱动的图应用程序和图的新趋势等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。
本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。

第1篇图机器学习简介
第1章图的基础知识3
1.1技术要求3
1.2图的定义4
1.3图的类型8
1.3.1有向图8
1.3.2多重图10
1.3.3加权图11
1.3.4二分图12
1.4图的表示方式14
1.4.1邻接矩阵14
1.4.2边列表16
1.5绘制图17
1.5.1networkx17
1.5.2Gephi19
1.6图属性24
1.7集成指标24
1.7.1距离、路径和最短路径25
1.7.2特征路径长度26
1.7.3全局和局部效率26
1.8隔离指标28
1.8.1聚类系数28
1.8.2传递性29
1.8.3模块度30
1.9中心性指标30
1.9.1度中心性30
1.9.2接近度中心性31
1.9.3中介中心性31
1.10弹性指标33
1.11图和网络模型示例34
1.11.1简单的图的示例34
1.11.2生成图模型36
1.11.3Watts-Strogatz（1998）36
1.11.4Barabási-Albert（1999）36
1.12基准数据集和存储库38
1.12.1网络数据存储库38
1.12.2斯坦福网络分析平台43
1.12.3开放图基准44
1.13处理大图44
1.14小结46
第2章图机器学习概述47
2.1技术要求47
2.2理解在图上执行的机器学习48
2.2.1机器学习的基本原理48
2.2.2在图上执行机器学习的优势50
2.3泛化的图嵌入问题52
2.4图嵌入机器学习算法的分类58
2.4.1编码器和解码器架构58
2.4.2嵌入算法的分类59
2.4.3嵌入算法的有监督和无监督版本60
2.5小结61
第2篇基于图的机器学习
第3章无监督图学习65
3.1技术要求65
3.2无监督图嵌入算法的层次结构66
3.3浅层嵌入方法67
3.4矩阵分解67
3.4.1图分解68
3.4.2高阶邻近保留嵌入69
3.4.3具有全局结构信息的图表示71
3.5Skip-Gram模型73
3.5.1DeepWalk算法75
3.5.2Node2Vec算法77
3.5.3Edge2Vec算法79
3.5.4Graph2Vec算法80
3.6自动编码器83
3.6.1TensorFlow和Keras—强大的组合85
3.6.2第一个自动编码器86
3.6.3去噪自动编码器90
3.6.4图自动编码器92
3.7图神经网络94
3.7.1图神经网络的变体95
3.7.2谱图卷积96
3.7.3空间图卷积99
3.7.4实践中的图卷积100
3.8小结102
第4章有监督图学习105
4.1技术要求105
4.2有监督图嵌入算法的层次结构106
4.3基于特征的方法107
4.4浅层嵌入方法110
4.4.1标签传播算法110
4.4.2标签扩展算法115
4.5图正则化方法118
4.5.1流形正则化和半监督嵌入118
4.5.2神经图学习120


4.5.3Planetoid128

……