圖深度學習從理論到實踐
內容描述
圖神經網絡是人工智能的一個熱點方向,從圖的視角解讀大數據,可以靈活建模復雜的信息交互關
系,吸引大量學者的關註並在多個工業領域得到廣泛應用。《圖深度學習從理論到實踐》由淺入深,全面介紹圖神經網絡的基礎知
識、典型模型方法和應用實踐。《圖深度學習從理論到實踐》不僅包括一般的深度學習基礎和圖基礎知識,還涵蓋了圖表示學習、
圖捲積、圖註意力、圖序列等典型圖網絡模型,以京東自研的Galileo平臺為代表的圖學習框架,以及圖神
經網絡在電商推薦和流量風控方面的兩個典型工業應用。
《圖深度學習從理論到實踐》既適合對數據挖掘、機器學習方向以及圖建模交叉方向感興趣的高年級本科生和研究生作為教
材使用,也適合互聯網電商、金融風控、社交網絡分析、藥物研發等企業的從業者參考學習。
目錄大綱
目錄
第1章深度學習基礎
1.1深度學習與人工智能
1.2感知機與神經網絡
1.2.1單層感知機
1.2.2多層感知機
1.3前饋神經網絡
1.3.1前饋神經網絡的模型
1.3.2前饋神經網絡的學習
1.4捲積神經網絡
1.4.1圖像數據的存儲
1.4.2傳統圖像處理算子
1.4.3捲積
1.4.4池化
1.4.5填充
1.4.6步幅
1.4.7典型的捲積神經網絡結構
1.4.8捲積神經網絡與多層感知機的差別
1.5深度學習訓練的最優化算法
1.6深度學習中的過擬合和欠擬合
1.7本章小結
第2章圖基礎
2.1圖的結構
2.2圖的性質
2.3圖數據的存儲
2.4圖與拉普拉斯矩陣
2.5圖神經網絡簡史
2.5.1挑戰
2.5.2發展簡史
2.6圖的任務與應用
2.6.1圖的任務
2.6.2圖神經網絡的應用
2.7本章小結
第3章圖表示學習
3.1圖表示學習的意義
3.2基於矩陣分解的圖表示學習方法
3.3基於隨機游走的圖表示學習
3.3.1Word2Vec算法
3.3.2DeepWalk
3.3.3Node2Vec
3.3.4隨機游走模型的優化策略
3.3.5其他隨機游走方法
3.4基於深度學習的圖表示學習
3.4.1局域相似度和全局相似度
3.4.2SDNE算法結構圖
3.5異質圖表示學習
3.6本章小結
| 圖深度學習從理論到實踐
目錄 |
第4章圖捲積神經網絡
4.1圖與圖像的差異
4.2傳統圖信號處理方法
4.3譜域圖捲積神經網絡
4.3.1譜捲積神經網絡
4.3.2切比雪夫網絡
4.3.3圖捲積神經網絡
4.3.4譜域圖捲積的特點
4.4空域圖捲積神經網絡
4.4.1圖捲積神經網絡空域理解
4.4.2GraphSAGE模型
4.5本章小結
第5章圖註意力網絡
5.1註意力機制
5.1.1註意力機制的變體
5.1.2註意力機制的優勢
5.1.3應用場景
5.2同質圖註意力網絡
5.2.1圖註意力層
5.2.2多頭註意力
5.3異質圖註意力網絡
5.3.1頂點級別註意力
5.3.2語義級別註意力
5.4門控註意力網絡
5.5層次圖註意力網絡
5.5.1視覺關系檢測
5.5.2層次圖註意力網絡模型框架
5.6本章小結
第6章圖序列神經網絡
6.1傳統序列神經網絡
6.1.1循環神經網絡
6.1.2長短期記憶神經網絡
6.1.3門控循環神經網絡
6.2門控序列圖神經網絡
6.3樹與圖結構的LSTM神經網絡
6.3.1非線性結構的LSTM模型
6.3.2GraphLSTM模型
6.4本章小結
第7章圖捲積神經網絡擴展模型
7.1GCN模型的過平滑問題
7.2層採樣加速GCN
7.3關系圖捲積神經網絡
7.3.1RGCN迭代關系
7.3.2RGCN可學習參數正則化
7.3.3RGCN應用場景
7.4本章小結
第8章圖深度學習框架
8.1統一編程範式
8.1.1MPNN
8.1.2NLNN
8.1.3GN
8.2主流框架簡介
8.2.1PyG
8.2.2DGL
8.2.3AliGraph
8.3京東圖深度學習框架Galileo
8.3.1設計概要
8.3.2圖引擎層
8.3.3圖訓練框架
8.3.4支持算法模型
8.3.5圖模型實踐
8.4本章小結
第9章圖神經網絡在推薦場景下的應用
9.1推薦系統的目的與挑戰
9.2傳統推薦方法
9.3圖推薦算法
9.3.1基於圖表示學習的推薦方法
9.3.2基於圖深度學習的推薦方法
9.4電商業務推薦實踐
9.5本章小結
第10章圖神經網絡在流量風控場景中的應用
10.1背景介紹
10.2廣告流量計費模式
10.3廣告作弊動機
10.4廣告反作弊中的傳統圖算法
10.5廣告反作弊圖深度學習方法
10.6本章小結
參考文獻
