深入浅出图神经网络:GNN原理解析

（1）作者所在企业极验是图神经网络领域的领军企业，核心作者是图神经网络领域的专家，有较强的行业影响力。（2）本书得到了白翔、俞栋等学术界和企业界的领军人物的高度评价和强烈推荐。（3）从原理、算法、实现、应用4个维度对图神经网络做了多方面的讲解，深入浅出。

内容简介这是一本从原理、算法、实现、应用4个维度详细讲解图神经网络的著作，在图神经网络领域具有重大的意义。本书作者是图神经网络领域的技术专家，作者所在的公司极验也是该领域的靠前者。本书是作者和极验多年研究和实践经验的总结，内容系统、扎实、深入浅出，得到了白翔、俞栋等几位来自学术界和企业界的领军人物的高度评价和强烈推荐。全书共10章：～4章全面介绍了图、图数据、卷积神经网络以及表示学习等基础知识，是阅读本书的预备知识；第5～6章从理论的角度出发，讲解了图信号处理和图卷积神经网络，深入剖析了图卷积神经网络的性质，并提供了GCN实现节点分类的实例。第7～9章全面的讲解了图神经网络的各种变体及范式、图分类机制及其实践，以及基于GNN的图表示学习；0章介绍了图神经网络的*新研究和应用。

作者简介刘忠雨毕业于华中科技大学，图神经网络技术专家，极验科技人工智能实验室主任和首席技术官。在机器学习、深度学习以及图学习领域有6年以上的算法架构和研发经验，研发了极验行为验证、深知业务风控、叠图等产品，极验科技目前服务于优选 26万家企业。李彦霖毕业于武汉大学，极验人工智能实验室技术专家。一直从事机器学习、深度学习、图学习方面的研究工作。在深度神经网络算法研发、图神经网络在计算机视觉以及风控中的应用等方面实践经验丰富。周洋工学博士，毕业于武汉大学，目前在华中师范大学任教。曾受邀到北卡罗来纳大学访学，长期在大数据挖掘前沿领域进行探索和研究，并应用于地理时空大数据、交通地理等诸多方向，已发表SCI&SSCI及核心期刊论文10余篇。

前言章  图的概述11.1  图的基本定义11.1.1  图的基本类型21.1.2  邻居和度41.1.3  子图与路径41.2  图的存储与遍历51.2.1  邻接矩阵与关联矩阵51.2.2  图的遍历61.3  图数据的应用场景71.4  图数据深度学习101.5  参考文献13第2章  神经网络基础172.1  机器学习基本概念172.1.1  机器学习分类172.1.2  机器学习流程概述182.1.3  常见的损失函数212.1.4  梯度下降算法232.2  神经网络252.2.1  神经元252.2.2  多层感知器272.3  激活函数292.3.1  S型激活函数302.3.2  ReLU及其变种302.4  训练神经网络332.4.1  神经网络的运行过程342.4.2  反向传播342.4.3  优化困境362.5  参考文献38第3章  卷积神经网络393.1  卷积与池化393.1.1  信号处理中的卷积393.1.2  深度学习中的卷积操作423.1.3  池化463.2  卷积神经网络463.2.1  卷积神经网络的结构473.2.2  卷积神经网络的特点493.3  特殊的卷积形式513.3.1  1×1卷积513.3.2  转置卷积523.3.3  空洞卷积543.3.4  分组卷积553.3.5  深度可分离卷积553.4  卷积网络在图像分类中的应用563.4.1  VGG563.4.2  Inception系列573.4.3  ResNet603.5  参考文献62第4章  表示学习654.1  表示学习654.1.1  表示学习的意义654.1.2  离散表示与分布式表示664.1.3  端到端学习是一种强大的表示学习方法684.2  基于重构损失的方法—自编码器694.2.1  自编码器694.2.2  正则自编码器714.2.3  变分自编码器724.3  基于对比损失的方法—Word2vec754.4  参考文献79第5章  图信号处理与图卷积神经网络815.1  矩阵乘法的三种方式815.2  图信号与图的拉普拉斯矩阵835.3  图傅里叶变换855.4  图滤波器905.4.1  空域角度935.4.2  频域角度945.5  图卷积神经网络965.6  GCN实战1015.7  参考文献109第6章  GCN的性质1116.1  GCN与CNN的联系1116.2  GCN能够对图数据进行端对端学习1156.3  GCN是一个低通滤波器1206.4  GCN的问题—过平滑1226.5  参考文献127第7章  GNN的变体与框架1297.1  GraphSAGE1297.1.1  采样邻居1307.1.2  聚合邻居1317.1.3  GraphSAGE算法过程1327.2  GAT1347.2.1  注意力机制1347.2.2  图注意力层1377.2.3  多头图注意力层1387.3  R-GCN1407.3.1  知识图谱1407.3.2  R-GCN1417.4  GNN的通用框架1437.4.1  MPNN1437.4.2  NLNN1467.4.3  GN1477.5  GraphSAGE实战1487.6  参考文献153第8章  图分类1558.1  基于全局池化的图分类1558.2  基于层次化池化的图分类1568.2.1  基于图坍缩的池化机制1578.2.2  基于TopK的池化机制1658.2.3  基于边收缩的池化机制1688.3  图分类实战1698.4  参考文献177第9章  基于GNN的图表示学习1799.1  图表示学习1809.2  基于GNN的图表示学习1829.2.1  基于重构损失的GNN1839.2.2  基于对比损失的GNN1849.3  基于图自编码器的推荐系统1889.4  参考文献1950章  GNN的应用简介19710.1  GNN的应用简述19710.2  GNN的应用案例19910.2.1  3D视觉19910.2.2  基于社交网络的推荐系统20310.2.3  视觉推理20510.3  GNN的未来展望20810.4  参考文献209附录A  符号声明211