从电信网络到社交网络，从经济网络到生物医学网络……图结构的数据无处不在。
如何提取图的特征，表示或编码图的结构，基于图数据进行学习、推理和归纳变得越来越重要。因为无论是进行数据挖掘、分析社交网络，还是优化推荐系统、问答系统，乃至未来破解AI黑盒、增强AI可解释性与鲁棒性，实现认知智能甚至通用人工智能，图都极有可能是其中必不可少的一环。
近年来，关于图表示学习（Graph Representation Learning，GRL）的研究激增，其中既包括用于深图嵌入的技术、卷积神经网络在图结构数据上的泛化，也包括受置信度传播算法启发的神经消息传递方法。
图表示学习的发展为推荐系统、问答系统、三维视觉、化学合成等诸多领域带来了最新的研究成果。
本书内容
该如何了解图表示学习的发展，把握AI的下一波浪潮呢？William Hamilton的《图表示学习》（Graph Representation Learning）也许是开启未来之门的钥匙。这是一本图表示学习的开山之作，得到了清华大学唐杰教授的大力推荐。
《图表示学习》从背景介绍、节点嵌入、图神经网络、生成图模型等角度全面、系统地介绍了图表示学习的历史与前沿。
本书目录如下：
第一部分 背景介绍
第1章 引言
1.1 什么是图
1.2 图机器学习
第2章 背景与传统方法
2.1 图统计特征与核方法
2.2 邻域重叠检测
2.3 图的拉普拉斯矩阵和图的谱方法
2.4 面向表示学习
第二部分 节点嵌入
第3章 邻域节点重构
3.1 编码-解码框架
3.2 基于因式分解的方法
3.3 随机游走嵌入表示
3.4 shallow embedding 的局限性
第4章 多关系数据及知识图谱
4.1 重建多关系数据
4.2 损失函数
4.3 多关系解码器
4.4 解码器的性能表征
第三部分 图神经网络（GNN）
第5章 图神经网络（GNN）模型
5.1 神经消息传递
5.2 广义邻域聚合
5.3 广义的更新方
5.4 边特征和多元关系GN
5.5 图池化
5.6 通用的消息传递方法
第6章 图神经网络（GNN）的实现
6.1 应用和损失函数
6.2 效率问题和节点采样
6.3 参数共享与正则化
第7章 图神经网络（GNN）的理论动机
7.1 GNN与图卷积
7.2 GNN和概率图模型
7.3 GNN与图同构
第四部分 生成图模型
第8章 传统图生成方法
8.1 传统方法概述
8.2 ERDÖS–RÉNYI 模型
8.3 随机块模型
8.4 优先链接模型
8.5 传统应用
第9章 深度生成模型 .
9.1 VAE 方法
9.2 对抗方法
9.3 自回归模型
9.4 图生成的评估
9.5 分子图生成
本书主要作者：
陈华，本书作者William Hamilton博士毕业于斯坦福大学，现任吉尔大学助理教授，曾任职于Facebook AI Research，是GraphSAGE、Deep Graph Infomax等产品的核心开发者。
本书特色：本书不仅内容全面，而且探本溯源、深入浅出。
通过丰富的配图和详细的推导一步步告诉读者来龙去脉。
并且介绍了目前最前沿的研究进展，提供了丰富的参考文献、PPT等资源。
赠书
接下来是福利时间，本次我们赠送出3本书籍，想要获得书籍的同学，在本公众号下方留言，根据点赞数的高低，下周一晚上（7.12）22:00统计出获奖读者，届时联系有三微信Longlongtogo即可。
如果没有获得赠书，也可以在京东购买（当前半价），链接如下：
往期相关
216
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
