本书介绍
从通信网络到量子化学，图结构的数据在自然科学和社会科学中无处不在。如果我们希望系统能够从这类数据中学习、推理和归纳，那么将关系推理能力建模到深度学习架构中是至关重要的。近年来，关于图表示学习的研究激增，包括深度图嵌入技术、卷积神经网络对图结构数据的推广以及受信念网络启发的神经消息传递方法。图表示学习的这些进步已经在许多领域带来了最新的成果，包括化学合成、3D视觉、推荐系统、问题回答和社交网络分析。
本书的目的是提供图形表示学习的综合和概述。我们首先讨论图形表示学习的目标，以及图论和网络分析的关键方法基础。接下来，我们介绍和回顾了学习节点嵌入的方法，包括基于随机游走的方法和知识图的应用。然后，我们提供了高度成功的图形神经网络(GNN)形式主义的技术综合和介绍，它已经成为图形数据深度学习的主导和快速增长的范例。这本书最后综合了图形深层生成模型的最新进展，这是图形表示学习的一个新生的但发展迅速的子集。
本书目录
本书内容截图
往期精品内容推荐
密歇根大学Justin Johnson-《深度学习与计算机视觉》课程视频及ppt分享
中文免费简书-《图神经网络模型（GNN）原理及应用综述》pdf免费分享