从深度学习到图神经网络：模型与实践

　　近年来，深度学习在人工智能的发展过程中起到了举足轻重的作用，而图神经网络是人工智能领域的一个新兴方向，被称为图上的深度学习。 本书详细介绍了从深度学习到图神经网络的基础概念和前沿技术，包括图上的深度学习、图神经网络的数学基础、神经网络学习与算法优化、深度学习基础、神经网络中的表示学习、面向图数据的嵌入表示、初代图神经网络、空域及谱域图卷积神经网络等内容。为增强可读性，本书叙述清晰、内容深入浅出、图文并茂，力求降低初学者的学习难度。 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。

　　张玉宏，博士毕业于电子科技大学，大数据分析师（高级），2009—2011年美国西北大学访问学者，2019—2020年美国IUPUI高级访问学者，CCF郑州分部执行委员，CFF公益大使。现执教于河南工业大学，主要研究方向为人工智能、大数据等。发表学术论文30余篇，先后撰写《深度学习之美：AI时代的数据处理与实践》《Python极简讲义：一本书入门数据分析与机器学习》等科技图书15部。杨铁军，博士，教授，博士生导师，河南省电子学会副理事长，河南省高等学校电子信息类专业教学指导委员会副主任委员，河南省数字政府建设专家委员会委员。主要研究方向：医学图像处理、粮食信息处理。

第1章  图上的深度学习 1
1.1  人工智能与深度学习 2
1.2  图神经网络时代的来临 6
1.3  图数据处理面临的挑战 9
1.4  图神经网络的应用层面 12
1.5  图神经网络的发展简史 15
1.6  图神经网络的模块与分类 20
1.7  本章小结 23
参考资料 24
 
第2章  图神经网络的数学基础 27
2.1  矩阵论基础 28
2.2  图论基础 43
2.3  谱图论基础 65
2.4  本章小结 80
参考资料 80
 
第3章  神经网络学习与算法优化 82
3.1  人工神经网络的缘起 83
3.2  神经网络的性原理 84
3.3  感知机模型与前馈神经网络 87
3.4  更强表征能力的多层感知机 91
3.5  不可或缺的激活函数 93
3.6  损失函数 100
3.7  神经网络的训练 105
3.8  优化算法的分类 109
3.9  本章小结 112
参考资料 113
 
第4章  深度学习基础 115
4.1  深度学习时代的兴起 116
4.2  卷积神经网络 118
4.3  可圈可点的卷积层 120
4.4  降维减负的汇聚层 131
4.5  不可或缺的全连接层 135
4.6  防止过拟合 136
4.7  本章小结 143
参考资料 143
 
第5章  神经网络中的表示学习 145
5.1  表示学习的背景 146
5.2  离散表示与独热编码 148
5.3  分布式表示与神经网络 150
5.4  自编码器中的表示学习 153
5.5  嵌入表示与Word2vec 161
5.6  词嵌入实战 171
5.7  本章小结 179
参考资料 180
 
第6章  面向图数据的嵌入表示 182
6.1  图嵌入概述 183
6.2  DeepWalk的原理 184
6.3  基于DeepWalk的维基百科相似网页检测 198
6.4  LINE模型 208
6.5  Node2vec 211
6.6  Metapath2vec 215
6.7  本章小结 218
参考资料 219
 
第7章  初代图神经网络 221
7.1  初代图神经网络的诞生 222
7.2  GNN中的数据聚合 222
7.3  初代GNN的工作原理 225
7.4  初代图神经网络的局限性 235
7.5  本章小结 235
参考资料 236
 
第8章  空域图卷积神经网络 238
8.1  图卷积神经网络概述 239
8.2  MPNN模型 244
8.3  GCN与CNN的关联 245
8.4  图卷积节点分类实践 248
8.5  GraphSAGE 263
8.6  基于GraphSAGE的实践 273
8.7  本章小结 283
参考资料 284
 
第9章  谱域图卷积神经网络 286
9.1  傅里叶变换 287
9.2  图傅里叶变换 2909.3  谱域视角下的图卷积 296
9.4  基于谱域GCN的演进 300
9.5  Karate Club图卷积分类实践 308
9.6  本章小结 323
参考资料 323