图神经网络 基础与前沿

第 1 章 当深度学习遇上图：图神经网络的兴起 1
1.1 什么是图1
1.2 深度学习与图 2
1.2.1 图数据的特殊性质 3
1.2.2 将深度学习扩展到图上的挑战 4
1.3 图神经网络的发展 5
1.3.1 图神经网络的历史 5
1.3.2 图神经网络的分类 7
1.4 图神经网络的应用 8
1.4.1 图数据上的任务 8
1.4.2 图神经网络的应用领域 8
1.5 小结 11
第 2 章 预备知识 13
2.1 图的基本概念 13
2.2 简易图谱论 15
2.2.1 拉普拉斯矩阵 16
2.2.2 拉普拉斯二次型 17
2.2.3 拉普拉斯矩阵与图扩散 18
2.2.4 图论傅里叶变换 19
2.3 小结 20
第 3 章 图神经网络模型介绍 21
3.1 基于谱域的图神经网络 21
3.1.1 谱图卷积网络 21
3.1.2 切比雪夫网络 24
3.1.3 图卷积网络 25
3.1.4 谱域图神经网络的局限和发展 27
3.2 基于空域的图神经网络 28
3.2.1 早期的图神经网络与循环图神经网络 28
3.2.2 再谈图卷积网络 29
3.2.3 GraphSAGE：归纳式图表示学习 31
3.2.4 消息传递神经网络 34
3.2.5 图注意力网络 37
3.2.6 图同构网络：Weisfeiler-Lehman 测试与图神经网络的表达力 39
3.3 小试牛刀：图卷积网络实战 42
3.4 小结 46
第 4 章 深入理解图卷积网络 47
4.1 图卷积与拉普拉斯平滑：图卷积网络的过平滑问题 47
4.2 图卷积网络与个性化 PageRank 50
4.3 图卷积网络与低通滤波 52
4.3.1 图卷积网络的低通滤波效果 52
4.3.2 图滤波神经网络 54
4.3.3 简化图卷积网络 55
4.4 小结 56
第 5 章 图神经网络模型的扩展 57
5.1 深层图卷积网络 57
5.1.1 残差连接 58
5.1.2 JK-Net 60
5.1.3 DropEdge 与 PairNorm 60
5.2 图的池化 61
5.2.1 聚类与池化 62
5.2.2 可学习的池化：DiffPool 63
5.2.3 Top-k 池化和 SAGPool 65
5.3 图的无监督学习 67
5.3.1 图的自编码器 67
5.3.2 *大互信息 70
5.3.3 其他 72
5.3.4 图神经网络的预训练 72
5.4 图神经网络的大规模学习 74
5.4.1 点采样 75
5.4.2 层采样 76
5.4.3 图采样 78
5.5 不规则图的深度学习模型 80
5.6 小结 81
第 6 章 其他图嵌入方法 83
6.1 基于矩阵分解的图嵌入方法 83
6.1.1 拉普拉斯特征映射 83
6.1.2 图分解 84
6.2 基于随机游走的图嵌入方法 86
6.2.1 DeepWalk 86
6.2.2 node2vec 87
6.2.3 随机游走与矩阵分解的统一 88
6.3 从自编码器的角度看图嵌入 88
6.4 小结 89
第 7 章 知识图谱与异构图神经网络 91
7.1 知识图谱的定义和任务 92
7.1.1 知识图谱 92
7.1.2 知识图谱嵌入 92
7.2 距离变换模型 94
7.2.1 TransE 模型 94
7.2.2 TransH 模型 95
7.2.3 TransR 模型 96
7.2.4 TransD 模型 97
7.3 语义匹配模型 97
7.3.1 RESCAL 模型 98
7.3.2 DistMult 模型 98
7.3.3 HolE 模型 98
7.3.4 语义匹配能量模型 99
7.3.5 神经张量网络模型 99
7.3.6 ConvE 模型 100
7.4 知识图谱上的图神经网络 100
7.4.1 关系图卷积网络 100
7.4.2 带权重的图卷积编码器 101
7.4.3 知识图谱与图注意力模型 102
7.4.4 图神经网络与传统知识图谱嵌入的结合：CompGCN 103
7.5 小结 103
第 8 章 图神经网络模型的应用 105
8.1 图数据上的一般任务 105
8.1.1 节点分类 106
8.1.2 链路预测 106
8.1.3 图分类 107
8.2 生化医疗相关的应用 108
8.2.1 预测分子的化学性质和化学反应 108
8.2.2 图生成模型与药物发现 109
8.2.3 药物/蛋白质交互图的利用 116
8.3 自然语言处理相关的应用 117
8.4 推荐系统上的应用 121
8.5 计算机视觉相关的应用 123
8.6 其他应用 124
8.7 小结 124
参考文献 127