??

從電信網絡到社交網絡，從經濟網絡到生物醫學網絡……圖結構的數據無處不在。

如何提取圖的特征，表示或編碼圖的結構，基于圖數據進行學習、推理和歸納變得越來越重要。

因為無論是進行數據挖掘、分析社交網絡，還是優化推薦系統、問答系統，乃至未來破解AI黑盒、增強AI可解釋性與魯棒性，實現認知智能甚至通用人工智能，圖都極有可能是其中必不可少的一環。

近年來，關于圖表示學習（Graph Representation Learning，GRL）的研究激增，其中既包括用于深圖嵌入的技術、卷積神經網絡在圖結構數據上的泛化，也包括受置信度傳播算法啟發的神經消息傳遞方法。

圖表示學習的發展為推薦系統、問答系統、三維視覺、化學合成等諸多領域帶來了最新的研究成果。

本書內容

該如何了解圖表示學習的發展，把握AI的下一波浪潮呢？William Hamilton的《圖表示學習》（Graph Representation Learning）也許是開啟未來之門的鑰匙。這是一本圖表示學習的開山之作，得到了清華大學唐杰教授的大力推薦。

《圖表示學習》從背景介紹、節點嵌入、圖神經網絡、生成圖模型等角度全面、系統地介紹了圖表示學習的歷史與前沿。

本書目錄如下：

第一部分 背景介紹

第1章 引言?

1.1 什么是圖

1.2 圖機器學習

第2章 背景與傳統方法

2.1 圖統計特征與核方法?

2.2 鄰域重疊檢測?

2.3 圖的拉普拉斯矩陣和圖的譜方法?

2.4 面向表示學習

第二部分 節點嵌入

第3章 鄰域節點重構

3.1 編碼-解碼框架?

3.2 基于因式分解的方法?

3.3 隨機游走嵌入表示?

3.4 shallow embedding 的局限性

第4章 多關系數據及知識圖譜

4.1 重建多關系數據?

4.2 損失函數

4.3 多關系解碼器

4.4 解碼器的性能表征?

第三部分 圖神經網絡（GNN）

第5章 圖神經網絡（GNN）模型?

5.1 神經消息傳遞

5.2 廣義鄰域聚合

5.3 廣義的更新方

5.4 邊特征和多元關系GN

5.5 圖池化?

5.6 通用的消息傳遞方法?

第6章 圖神經網絡（GNN）的實現?

6.1 應用和損失函數?

6.2 效率問題和節點采樣?

6.3 參數共享與正則化

第7章 圖神經網絡（GNN）的理論動機

7.1 GNN與圖卷積?

7.2 GNN和概率圖模型?

7.3 GNN與圖同構

第四部分 生成圖模型

第8章 傳統圖生成方法

8.1 傳統方法概述

8.2 ERD?S–RéNYI 模型

8.3 隨機塊模型?

8.4 優先鏈接模型?

8.5 傳統應用

第9章 深度生成模型 .

9.1 VAE 方法?

9.2 對抗方法?

9.3 自回歸模型?

9.4 圖生成的評估?

9.5 分子圖生成

本書主要作者：

陳華，本書作者William Hamilton博士畢業于斯坦福大學，現任吉爾大學助理教授，曾任職于Facebook AI Research，是GraphSAGE、Deep Graph Infomax等產品的核心開發者。

本書特色：本書不僅內容全面，而且探本溯源、深入淺出。

通過豐富的配圖和詳細的推導一步步告訴讀者來龍去脈。

并且介紹了目前最前沿的研究進展，提供了豐富的參考文獻、PPT等資源。

贈書

接下來是福利時間，本次我們贈送出3本書籍，想要獲得書籍的同學，在本公眾號下方留言，根據點贊數的高低，下周一晚上（7.12）22:00統計出獲獎讀者，屆時聯系有三微信Longlongtogo即可。

如果沒有獲得贈書，也可以在京東購買（當前半價），鏈接如下：

往期相關

• 【CV春季劃】2021年有三AI-CV春季劃出爐，最后一屆言有三手把手從零帶學

• 【CV夏季劃】告別入門，提升眼界，從掌握最有價值的那些CV方向開始
  

• 【CV秋季劃】生成對抗網絡GAN有哪些研究和應用，如何循序漸進地學習好？

• 【CV秋季劃】模型優化很重要，如何循序漸進地學習好？

• 【CV秋季劃】人臉算法那么多，如何循序漸進地學習好？

• 【CV秋季劃】圖像質量提升與編輯有哪些研究和應用，如何循序漸進地學習好？

總結

以上是生活随笔為你收集整理的【赠书】图表示学习+图神经网络：破解AI黑盒，揭示万物奥秘的钥匙！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。