"清華大學朱文武教授團隊全新力作！張鈸、徐宗本、陳純院士傾情作序推薦！詳解圖表征學習的基礎知識、前沿進展繫統論述圖表征學習的動態性、可解釋性、魯棒性和泛化性等熱點問題全面剖析圖表征學習在推薦繫統、交通預測、自然語言處理、組合優化領域的應用方法"

●第1章概述/1
1.1引言/1
1.2圖基礎知識/3
1.3機器學習基礎知識/7

第1篇經典圖表征學習
第2章圖嵌入/13
2.1基於隨機遊走的圖嵌入/13
2.2基於矩陣分解的圖嵌入/18
2.3基於深度自編碼器的圖嵌入/21
2.4本章小結/24

第3章圖神經網絡/25
3.1譜域圖神經網絡/26
3.2空域圖神經網絡/34
3.3消息傳遞圖神經網絡/41
3.4圖池化/47
3.5本章小結/53

第4章圖表征學習理論分析/54
4.1圖信號處理/54
4.2圖同構測試/58
4.3圖神經網絡表達能力/61
4.4過平滑與深層圖神經網絡/64
4.5本章小結/68

第2篇動態開放環境圖表征學習
第5章魯棒圖表征學習/71
5.1圖數據上的對抗樣本/71
5.2圖對抗攻擊的分類/73
5.3圖神經網絡模型上的攻擊與防御方法/75
5.4本章小結/78

第6章解耦圖表征學習.79
6.1基於變分自編碼器的解耦圖神經網絡/79
6.2基於鄰域路由機制的解耦圖神經網絡/81
6.3基於其他思想的解耦圖神經網絡/87
6.4本章小結/90

第7章動態圖表征學習/91
7.1動態圖數據/91
7.2離散時間動態圖表征學習/92
7.3連續時間動態圖表征學習/94
7.4本章小結/96

第8章無監督圖神經網絡與自監督圖神經網絡/97
8.1無監督學習的圖神經網絡/97
8.2自監督學習的圖神經網絡/99
8.3本章小結/106

第9章圖神經網絡的可解釋性/107
9.1簡介/107
9.2可解釋方法分類/109
9.3實例級局部解釋/110
9.4模型級全局解釋/114
9.5對解釋模型的評價/115
9.6可解釋性的交叉學科應用/117
9.7本章小結/118

第10章自動圖表征學習/119
10.1自動機器學習簡介/119
10.2圖超參數優化/120
10.3圖神經網絡架構搜索/122
10.4本章小結/132

第學習與圖表征學習/133
1學習簡介/133
11.2學習/136
11.3本章小結/143

第12章分布外泛化圖表征學習/144
12.1圖分布外泛化問題和分類/145
12.2數據層面方法/148
12.3模型層面方法/151
12.4學習策略/155
12.5理論分析/162
12.6本章小結/163

第3篇圖表征學習的應用
第13章推薦繫統/167
13.1通用推薦/168
13.2序列推薦/176
13.3本章小結/179

第14章交通預測/180
14.1時空圖/181
14.2時空圖神經網絡模型/181
14.3本章小結/188

第15章自然語言處理/189
15.1文本分類/189
15.2關繫抽取/192
15.3文本生成/193
15.4問答繫統/196
15.5其他任務/198
15.6本章小結/198

第16章組合優化/199
16.1簡介/199
16.2預備知識/200
16.3尋找可行解/201
16.4本章小結/207
第17章圖表征學習展望/209
參考文獻/211

圖數據是對萬物間聯繫的一般抽像，廣泛存在於各行各業中。圖表征學習為圖數據的建模與分析提供了新範式，是近年來機器學習與數據挖掘領域的熱門研究方向，並被有效地應用於推薦繫統、交通預測等眾多領域。本書將全面介紹圖表征學習，特別是針對處於真實世界動態、開放環境之中圖數據的圖表征學習方法。本書分為3 篇：第1 篇介紹圖嵌入和圖神經網絡等經典圖表征學習方法；第2 篇圍繞魯棒性、動態性、可解釋性、分布外泛化性等多個角度，繫統地介紹針對動態開放環境中的圖表征學習方法；第3 篇以四個不同領域為例，從推薦繫統、交通預測、自然語言處理、組合優化等場景，介紹圖表征學習的應用方法。除了對代表性方法進行詳細介紹，本書還提供了豐富的參考文獻，讀者可以更深入地學習圖表征學習的前沿內容。本書適合具有一定機器學習基礎的高年級本科生、研究生、教師和研究者，以及對圖數據感興趣的計算機工程師和從業人員閱讀，也適合對人工智能、深度學等

朱文武,王鑫,張子威 著