《圖機器學習》是2022年清華大學出版社出版的圖書，作者是[美]克勞迪奧·斯塔邁爾 等。
基本介紹
- 中文名： 圖機器學習
- 作者：[美]克勞迪奧·斯塔邁爾 等
- 出版時間：2022年
- 出版社： 清華大學出版社
- ISBN： 9787302609599
- 定價：109 元
內容簡介,圖書目錄,
內容簡介
《圖機器學習》詳細闡述了與圖機器學習相關的基本解決方案，主要包括圖的基礎知識、圖機器學習概述、無監督圖學習、有監督圖學習、使用圖機器學習技術解決問題、社交網路圖、使用圖進行文本分析和自然語言處理、信用卡交易的圖分析、構建數據驅動的圖應用程式和圖的新趨勢等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。
圖書目錄
第1篇 圖機器學習簡介
第1章 圖的基礎知識 3
1.1 技術要求 3
1.2 圖的定義 4
1.3 圖的類型 8
1.3.1 有向圖 8
1.3.2 多重圖 10
1.3.3 加權圖 11
1.3.4 二分圖 12
1.4 圖的表示方式 14
1.4.1 鄰接矩陣 14
1.4.2 邊列表 16
1.5 繪製圖 17
1.5.1 networkx 17
1.5.2 Gephi 19
1.6 圖屬性 24
1.7 集成指標 24
1.7.1 距離、路徑和最短路徑 25
1.7.2 特徵路徑長度 26
1.7.3 全局和局部效率 26
1.8 隔離指標 28
1.8.1 聚類係數 28
1.8.2 傳遞性 29
1.8.3 模組度 30
1.9 中心性指標 30
1.9.1 度中心性 30
1.9.2 接近度中心性 31
1.9.3 中介中心性 31
1.10 彈性指標 33
1.11 圖和網路模型示例 34
1.11.1 簡單的圖的示例 34
1.11.2 生成圖模型 36
1.11.3 Watts-Strogatz（1998） 36
1.11.4 Barabási-Albert（1999） 36
1.12 基準數據集和存儲庫 38
1.12.1 網路數據存儲庫 38
1.12.2 斯坦福網路分析平台 43
1.12.3 開放圖基準 44
1.13 處理大圖 44
1.14 小結 46
第2章 圖機器學習概述 47
2.1 技術要求 47
2.2 理解在圖上執行的機器學習 48
2.2.1 機器學習的基本原理 48
2.2.2 在圖上執行機器學習的優勢 50
2.3 泛化的圖嵌入問題 52
2.4 圖嵌入機器學習算法的分類 58
2.4.1 編碼器和解碼器架構 58
2.4.2 嵌入算法的分類 59
2.4.3 嵌入算法的有監督和無監督版本 60
2.5 小結 61
第2篇 基於圖的機器學習
第3章 無監督圖學習 65
3.1 技術要求 65
3.2 無監督圖嵌入算法的層次結構 66
3.3 淺層嵌入方法 67
3.4 矩陣分解 67
3.4.1 圖分解 68
3.4.2 高階鄰近保留嵌入 69
3.4.3 具有全局結構信息的圖表示 71
3.5 Skip-Gram模型 73
3.5.1 DeepWalk算法 75
3.5.2 Node2Vec算法 77
3.5.3 Edge2Vec算法 79
3.5.4 Graph2Vec算法 80
3.6 自動編碼器 83
3.6.1 TensorFlow和Keras—強大的組合 85
3.6.2 第一個自動編碼器 86
3.6.3 去噪自動編碼器 90
3.6.4 圖自動編碼器 92
3.7 圖神經網路 94
3.7.1 圖神經網路的變體 95
3.7.2 譜圖卷積 96
3.7.3 空間圖卷積 99
3.7.4 實踐中的圖卷積 100
3.8 小結 102
第4章 有監督圖學習 105
4.1 技術要求 105
4.2 有監督圖嵌入算法的層次結構 106
4.3 基於特徵的方法 107
4.4 淺層嵌入方法 110
4.4.1 標籤傳播算法 110
4.4.2 標籤擴展算法 115
4.5 圖正則化方法 118
4.5.1 流形正則化和半監督嵌入 118
4.5.2 神經圖學習 120
4.5.3 Planetoid 128
4.6 圖卷積神經網路 130
4.6.1 使用GCN進行圖分類 130
4.6.2 使用GraphSAGE進行節點分類 132
4.7 小結 134
第5章 使用圖機器學習技術解決問題 135
5.1 技術要求 135
5.2 預測圖中缺失的連結 136
5.3 基於相似性的方法 137
5.3.1 基於索引的方法 137
5.3.2 基於社區的方法 138
5.4 基於嵌入的方法 140
5.5 檢測有意義的結構 144
5.5.1 基於嵌入的社區檢測 144
5.5.2 譜方法和矩陣分解 146
5.5.3 機率模型 147
5.5.4 成本函式最小化 147
5.6 檢測圖相似性和圖匹配 149
5.6.1 基於圖嵌入的方法 151
5.6.2 基於圖核的方法 151
5.6.3 基於圖神經網路的方法 152
5.6.4 套用 152
5.7 小結 153
第3篇 圖機器學習的高級套用
第6章 社交網路圖 157
6.1 技術要求 157
6.2 數據集概述 158
6.2.1 數據集下載 158
6.2.2 使用networkx載入數據集 159
6.3 網路拓撲和社區檢測 161
6.3.1 拓撲概述 161
6.3.2 節點中心性 162
6.3.3 社區檢測 165
6.4 有監督學習和無監督學習任務 166
6.4.1 任務準備 167
6.4.2 基於node2vec的連結預測 168
6.4.3 基於GraphSAGE的連結預測 169
6.4.4 人工設計特徵以執行連結預測 174
6.4.5 結果匯總 175
6.5 小結 176
第7章 使用圖進行文本分析和自然語言處理 177
7.1 技術要求 177
7.2 提供數據集的快速概覽 178
7.3 自然語言處理的主要概念和工具 179
7.3.1 文本分割和分詞 181
7.3.2 詞性標記器 181
7.3.3 命名實體識別 182
7.3.4 依存解析器 182
7.3.5 詞形還原器 183
7.4 從文檔語料庫創建圖 184
7.4.1 知識圖 184
7.4.2 二分圖 186
7.4.3 實體-實體圖 190
7.4.4 注意維度—過濾圖 191
7.4.5 分析圖 193
7.4.6 社區檢測 195
7.4.7 使用Node2Vec算法 196
7.4.8 文檔-文檔圖 197
7.4.9 主題-主題圖 200
7.5 構建文檔主題分類器 203
7.5.1 淺層學習方法 204
7.5.2 圖神經網路 207
7.6 小結 215
第8章 信用卡交易的圖分析 217
8.1 技術要求 217
8.2 數據集概覽 218
8.3 載入數據集並構建圖 219
8.3.1 載入數據集 219
8.3.2 二分法 220
8.3.3 三分法 221
8.3.4 探索已生成的圖 223
8.4 網路拓撲和社區檢測 224
8.4.1 網路拓撲結構 224
8.4.2 社區檢測 228
8.5 有監督和無監督欺詐檢測 233
8.5.1 欺詐交易識別的有監督方法 234
8.5.2 欺詐交易識別的無監督方法 236
8.6 小結 238
第9章 構建數據驅動的圖應用程式 239
9.1 技術要求 239
9.2 Lambda架構概述 240
9.3 用於圖驅動應用程式的Lambda架構 242
9.3.1 圖處理引擎 243
9.3.2 圖查詢層 246
9.3.3 Neo4j 246
9.3.4 JanusGraph 248
9.3.5 在Neo4j和GraphX之間進行選擇 251
9.4 小結 252
第10章 圖的新趨勢 253
10.1 技術要求 253
10.2 了解圖的數據增強技術 253
10.2.1 採樣策略 254
10.2.2 探索數據增強技術 254
10.3 了解拓撲數據分析 255
10.4 拓撲機器學習 257
10.5 圖論在新領域的套用 258
10.5.1 圖機器學習和神經科學 258
10.5.2 圖論與化學和生物學 260
10.5.3 圖機器學習和計算機視覺 260
10.5.4 圖像分類與場景理解 260
10.5.5 形狀分析 261
10.5.6 推薦系統 261
10.6 小結 262
