新書推薦：
《
BIM概论与土建建模
》
售價：HK$
65.8
《
身体秩序与法律规训——传统中国的“身体法治”面相（国家哲学社会科学成果文库）
》
售價：HK$
218.9
《
日本佛教史纲
》
售價：HK$
92.4
《
给孩子的安全教育漫画：防走失、防拐骗 少儿安全教育专家GY局长 让孩子全面掌握保护自己方法
》
售價：HK$
41.8
《
多头政体——参与和反对（汉译名著18）
》
售價：HK$
61.6
《
政治经济学（汉译名著18）
》
售價：HK$
127.6
《
国内外高句丽渤海墓葬研究文献目录
》
售價：HK$
198.0
《
中国书法分体史（函套版）
》
售價：HK$
690.8
|
| 編輯推薦： |
|
l系统性和完整性：从图的基础表示与特征工程出发，循序渐进地展开至图嵌入、图神经网络及最新研究前沿，形成了完整的知识体系。l基础性和先进性：既详细介绍图神经网络的基本原理和经典方法，又紧扣学科前沿，系统呈现异质图、谱图学习和图基础模型等新方向。l理论性和实践性：除了阐释基础理论之外，结合推荐系统、金融风控、生命科学、电路设计等典型案例，展示了图机器学习的广阔应用前景。
|
| 內容簡介： |
|
本书系统介绍了图机器学习的基础理论、典型模型与应用实践。本书首先介绍图的基本概念、表示方法与特征构造技术；其次从图嵌入模型出发，深入介绍了图神经网络的主要架构与变体；再次概述图机器学习前沿进展，并详细介绍异质图、谱图、可信图和图基础模型等前沿方向；最后介绍了图机器学习在推荐系统、金融风控、生命科学、电路设计等领域的典型应用，并涵盖了开发平台与应用实践等相关内容。本书适合计算机科学、人工智能、数据科学等相关专业的学生和学者阅读，也适合相关应用领域的算法工程师参考。
|
| 目錄：
|
目录
基础篇
第1章图机器学习概论3引言3
本章学习目标3
1.1图基础知识3
1.1.1图的定义和表示4
1.1.2图的类型6
1.2图机器学习11
1.2.1基本概念11
1.2.2任务与应用12
1.3图机器学习的发展历程19
1.3.1图论时期19
1.3.2图算法时期19
1.3.3复杂网络时期20
1.3.4社交网络分析时期21
1.3.5图嵌入时期21
1.3.6图神经网络时期22
1.3.7未来展望23
1.4本章小结24
扩展阅读材料24
习题25
参考文献25
第2章基于特征工程的图机器学习26
引言26
本章学习目标26
2.1节点级特征26
2.1.1中心性27
2.1.2局部聚类系数29
2.1.3图元度向量30
2.2边级特征31
2.2.1基于距离的特征32
2.2.2局部邻域重合32
2.2.3全局邻域重合34
2.3图级特征37
2.3.1图划分37
2.3.2图内部的特征38
2.3.3子图间的特征43
2.3.4不同图间相似性特征45
2.4本章小结49
扩展阅读材料49
习题49
参考文献50
第3章图嵌入51
引言51
本章学习目标51
3.1图嵌入基本概念51
3.2基于流形的图嵌入模型52
3.2.1等距特征映射54
3.2.2局部线性嵌入54
3.2.3拉普拉斯特征映射55
3.3结构信息保持的图嵌入模型56
3.3.1邻域信息保持的图嵌入57
3.3.2角色信息保持的图嵌入61
3.3.3社区信息保持的图嵌入64
3.3.4全局信息保持的图嵌入65
3.4侧信息保持的图嵌入模型66
3.4.1属性信息保持的图嵌入66
3.4.2标签信息保持的图嵌入68
3.4.3多种侧信息保持的图嵌入71
3.5本章小结73
扩展阅读材料74
习题74
参考文献75
第4章图神经网络初步76
引言76
本章学习目标76
4.1图神经网络基础76
4.1.1通用图神经网络框架77
4.1.2图神经网络输入与输出78
4.1.3图神经网络核心算子78
4.1.4图神经网络发展81
4.2核心算子设计83
4.2.1消息传递算子83
4.2.2图池化算子88
4.2.3模型优化89
4.3经典图神经网络92
4.3.1图卷积神经网络92
4.3.2图采样聚合网络93
4.3.3图注意力网络96
4.3.4图同构网络98
4.4本章小结100
扩展阅读材料100
习题101
参考文献102
第5章图神经网络进阶103
引言103
本章学习目标103
5.1数据优化103
5.1.1图结构优化104
5.1.2图特征优化109
5.1.3图标签优化114
5.2架构优化116
5.2.1消息传递优化117
5.2.2图采样优化123
5.2.3图池化优化126
5.3训练优化129
5.3.1图自监督学习130
5.3.2图课程学习139
5.4本章小结142
扩展阅读材料142
习题143
参考文献143
进阶篇
第6章图机器学习前沿概述147引言147
本章学习目标147
6.1图学习基础理论147
6.1.1谱图学习148
6.1.2黎曼空间图学习149
6.1.3图学习表达能力150
6.2复杂图学习152
6.2.1异质图学习152
6.2.2动态图学习154
6.2.3超图学习155
6.2.4几何图学习156
6.3可信图学习157
6.3.1公平性159
6.3.2对抗鲁棒性160
6.3.3分布外泛化161
6.3.4可解释性162
6.3.5隐私保护163
6.4其他前沿方向164
6.4.1图生成164
6.4.2图转换166
6.4.3大规模图学习166
6.4.4图基础模型167
6.5本章小结169
扩展阅读材料169
习题169
参考文献170
第7章异质图机器学习171
引言171
本章学习目标171
7.1异质图基本概念171
7.2异质图嵌入表示173
7.2.1基于链路的异质图嵌入174
7.2.2基于路径的异质图嵌入175
7.2.3基于子图的异质图嵌入178
7.3异质图神经网络180
7.3.1半监督异质图神经网络180
7.3.2无监督异质图神经网络185
7.4异质图机器学习应用190
7.4.1推荐190
7.4.2风控191
7.5本章小结191
扩展阅读材料192
习题192
参考文献192
第8章谱图机器学习193
引言193
本章学习目标193
8.1谱图基础知识193
8.1.1相关术语定义与性质193
8.1.2图傅里叶变换196
8.1.3谱图卷积198
8.2谱图神经网络199
8.2.1基于谱图滤波器设计的图神经网络199
8.2.2基于谱图位置编码的图神经网络209
8.2.3谱图对比学习214
8.3本章小结220
扩展阅读材料220
习题220
参考文献221
第9章可信图神经网络222
引言222
本章学习目标222
9.1图神经网络的鲁棒性223
9.1.1图攻击模型224
9.1.2鲁棒图神经网络228
9.2图神经网络的公平性229
9.2.1图神经网络的公平性定义231
9.2.2公平性图神经网络232
9.3图神经网络的分布外泛化235
9.3.1数据增强236
9.3.2模型增强238
9.3.3学习策略增强239
9.4图神经网络可解释性242
9.4.1理想的解释特质243
9.4.2解释方法的评估指标244
9.4.3图神经网络可解释性模型244
9.5本章小结247
扩展阅读材料247
习题248
参考文献248
第10章图基础模型249
引言249
本章学习目标249
10.1图基础模型概述249
10.1.1图基础模型的定义与特性251
10.1.2图基础模型的关键技术251
10.1.3图数据和图任务对图基础模型的影响252
10.1.4与语言基础模型的对比253
10.2图基础模型技术途径255
10.2.1基于GNN的模型255
10.2.2基于LLM的模型260
10.2.3基于LLM+GNN的模型264
10.3图基础模型发展方向268
10.3.1扩展定律268
10.3.2跨领域的挑战270
10.3.3模型架构和训练271
10.3.4应用与安全271
10.4本章小结272
扩展阅读材料272
习题273
参考文献273
应用篇
第11章图机器学习平台277引言277
本章学习目标277
11.1机器学习平台概述277
11.1.1主要功能278
11.1.2机器学习平台简介279
11.1.3分布式机器学习概述281
11.2图机器学习的计算特性及系统挑战282
11.2.1图数据结构计算特性282
11.2.2图机器学习系统挑战283
11.3图机器学习平台简介284
11.3.1图机器学习平台概述284
11.3.2图机器学习平台简介285
11.4工业图机器学习系统289
11.4.1工业图机器学习系统的挑战289
11.4.2工业图机器学习系统简介290
11.5本章小结294
扩展阅读材料294
习题295
参考文献295
第12章图机器学习实践296
引言296
本章学习目标296
12.1模型组件296
12.1.1图数据与图数据集297
12.1.2图小批量训练与图采样305
12.1.3图神经网络模型310
12.2经典模型实现313
12.2.1GCN——节点分类实践313
12.2.2GraphSage——链接预测和采样实践316
12.2.3GIN——图分类实践319
12.2.4HAN——异质图节点分类、链接预测实践320
12.2.5DeepWalk323
12.2.6FAGCN326
12.3本章小结328
扩展阅读材料328
习题328
参考文献329
第13章图机器学习在推荐中的应用330
引言330
本章学习目标330
13.1推荐系统概述330
13.1.1推荐系统简介330
13.1.2推荐系统中图的概念331
13.2图机器学习在协同过滤推荐中的挑战与应用333
13.2.1主要挑战333
13.2.2协同过滤推荐中的表征嵌入优化实例334
13.2.3协同过滤推荐中的图采样优化实例335
13.3图机器学习在社交网络推荐中的挑战与应用338
13.3.1主要挑战338
13.3.2社交网络推荐中的社交影响建模实例339
13.3.3社交网络推荐中的社交影响融合实例340
13.4图机器学习在知识图谱推荐中的挑战与应用344
13.4.1主要挑战344
13.4.2知识图谱推荐中的知识图谱语义建模实例345
13.4.3知识图谱推荐中的知识图谱语义融合实例346
13.5图机器学习在异质图推荐中的挑战与应用347
13.5.1主要挑战347
13.5.2异质图推荐中的多条元路径信息融合实例348
13.5.3异质图推荐中的元路径空间优化实例349
13.6本章小结350
扩展阅读材料351
习题351
参考文献351
第14章图机器学习在风控中的应用352
引言352
本章学习目标352
14.1风控场景的数据与任务特性352
14.1.1金融风险控制353
14.1.2内容风控355
14.1.3小结357
14.2金融风控领域中图机器学习的应用357
14.2.1欺诈检测358
14.2.2团伙作案识别359
14.2.3贷款违约预测361
14.3图机器学习技术在内容风控的应用364
14.3.1虚假新闻检测364
14.3.2虚假评论者群体检测367
14.3.3点击预测368
14.4图机器学习在风控中的未来发展趋势371
14.4.1多模态数据整合371
14.4.2大规模图神经网络的应用371
14.4.3动态图建模与时序数据处理372
14.4.4可解释性与透明度研究372
14.4.5隐私保护与数据安全372
14.4.6小结373
14.5本章小结373
扩展阅读材料373
习题374
参考文献374
第15章图机器学习在科学中的应用375
引言375
本章学习目标375
15.1科学智能375
15.2图机器学习在生命科学的应用377
15.2.1图机器学习在药物研发中的应用简介377
15.2.2图机器学习在药物研发中的应用案例研究378
15.2.3图机器学习在疾病诊断中的应用简介382
15.2.4图机器学习在疾病诊断中的应用案例研究383
15.2.5小结386
15.3图机器学习在电路设计的应用386
15.3.1图机器学习在芯片设计中的应用简介387
15.3.2图机器学习在芯片设计中的应用案例研究387
15.3.3图机器学习在芯片验证中的应用简介390
15.3.4图机器学习在芯片验证中的应用案例研究390
15.3.5小结393
15.4其他应用393
15.4.1图机器学习在材料科学的应用393
15.4.2图机器学习在气象学的应用394
15.4.3图机器学习在物理学的应用396
15.4.4小结397
15.5本章小结397
扩展阅读材料398
习题398
参考文献399
|
| 內容試閱：
|
前言
图作为一种表达复杂关系结构的重要数据形式，具有广泛应用价值。传统基于欧几里得空间的机器学习方法难以应对图数据的高阶依赖与复杂结构。因此，面向图数据的图机器学习方法应运而生，并迅速成为研究热点。特别是，将深度学习应用于图数据而产生的图神经网络在建模图结构数据方面表现出显著优势，近些年已经成为人工智能的核心技术，并广泛应用于推荐系统、风控安全、药物研发等领域。
笔者于2022年开设“图机器学习”研究生课程，一直苦于没有合适的教材。虽然以图神经网络为代表的图机器学习是研究和应用热点，学术专著有不少，但是国内外相关的教材很少。由于一直专注于图机器学习相关研究，因此也萌生了写一本《图机器学习》教材的想法，既是对研究工作的总结整理，也是对该方向的系统梳理；但也深知教材与专著有巨大差异，写一本好教材比专著要难得多。经过两年的酝酿，一年的写作，近一年的编辑校对，这部凝结了笔者在相关方向近20年的研究和思考的教材，希望能够对该方向的研究有所促进，对相关课程建设有所帮助。
本书系统全面介绍图机器学习的基本原理、核心算法与典型应用，帮助读者建立完善的图机器学习的知识体系与实践能力。本书由基础篇、进阶篇与应用篇三部分组成，既涵盖了图机器学习的主要内容，又循序渐进，满足读者的不同需要。本书主要内容如下:
基础篇（第1～5章）系统介绍图机器学习的基本概念和基础模型，帮助读者打下坚实的理论与方法基础。第1章介绍图的类型、表示方法与基本操作；第2章系统讲解节点、边和图级特征的构造与应用；第3章则引入图嵌入方法；第4章介绍图神经网络的基本结构和经典模型；第5章讨论图神经网络在数据、架构和训练三方面的优化策略。
进阶篇（第6～10章）全面介绍图机器学习的前沿进展，帮助读者把握图机器学习的核心技术与发展趋势。第6章总体介绍了图机器学习的前沿方向；第7章总结异质图机器学习的基本方法与代表性模型；第8章深入讲解谱图理论与频域建模在图机器学习中的应用；第9章探讨可信图神经网络的4个核心维度，包括鲁棒性、公平性、分布外泛化与可解释性；第10章系统分析图基础模型的研究背景、实现路径及其与大模型的融合方式。
应用篇（第11～15章）介绍图机器学习的平台实现与典型应用，帮助读者应用图机器学习技术解决实际问题。第11章介绍图机器学习平台的设计理念，概述主流平台，如DGL与GammaGL的核心特点；第12章以典型图模型为例，展示如何在平台中实现节点分类、图分类与链接预测任务；第13章讨论图机器学习在推荐系统中的挑战与应用；第14章介绍图机器学习在金融风控与内容风控中的典型任务；第15章进一步展示图机器学习在科学中的应用。
本书由图数据挖掘与机器学习实验室（GAMMA Lab）全体人员共同完成。笔者统筹了本书的撰写和修订工作，杨成、王啸、张志强分别负责基础篇、进阶篇、应用篇的撰写。除作者外，GAMMA Lab的很多学生为本书做出了巨大的贡献，我们向所有为撰写本书做出贡献的学生表示衷心的感谢，他们分别是总体协理: 翟新龙；第1章: 陈宇络、陈博宇、褚祺峙；第2章: 翟新龙、赵明宇、郝宇；第3章: 邢宇杰、孙华彬、伍斌；第4章: 王春辰、俞泽楷、刘巴特；第5章: 闫博、李书杰、何讯；第6章: 张中健、朱馨妍；第7章: 于越、崔善元；第8章: 刘洋、郭泽远；第9章: 李一博、王秋雨；第10章: 周奇民、李鑫；第11章: 刘曜齐、周光煜、陈泽琦；第12章: 刘曜齐、曹文轩、刘洋、包骏飞；第13章: 陈伟杰、刘海博；第14章: 杨成栋、包俊飞；第15章: 刘佳玮、程泓涛、郭枫。
最后感谢我的家人！是你们让我还残存理想！
石川2025年10月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
