目錄

第1章深度學習基礎

1.1深度學習與人工智能

1.2感知機與神經網絡

1.2.1單層感知機

1.2.2多層感知機

1.3前饋神經網絡

1.3.1前饋神經網絡的模型

1.3.2前饋神經網絡的學習

1.4卷積神經網絡

1.4.1圖像數據的存儲

1.4.2傳統圖像處理算子

1.4.3卷積

1.4.4池化

1.4.5填充

1.4.6步幅

1.4.7典型的卷積神經網絡結構

1.4.8卷積神經網絡與多層感知機的差別

1.5深度學習訓練的*優化算法

1.6深度學習中的過擬合和欠擬合

1.7本章小結

第2章圖基礎

2.1圖的結構

2.2圖的性質

2.3圖數據的存儲

2.4圖與拉普拉斯矩陣

2.5圖神經網絡簡史

2.5.1挑戰

2.5.2發展簡史

2.6圖的任務與應用

2.6.1圖的任務

2.6.2圖神經網絡的應用

2.7本章小結

第3章圖表示學習

3.1圖表示學習的意義

3.2基于矩陣分解的圖表示學習方法

3.3基于隨機游走的圖表示學習

3.3.1Word2Vec算法

3.3.2DeepWalk

3.3.3Node2Vec

3.3.4隨機游走模型的優化策略

3.3.5其他隨機游走方法

3.4基于深度學習的圖表示學習

3.4.1局域相似度和全局相似度

3.4.2SDNE算法結構圖

3.5異質圖表示學習

3.6本章小結

| 圖深度學習從理論到實踐

目錄 |

第4章圖卷積神經網絡

4.1圖與圖像的差異

4.2傳統圖信號處理方法

4.3譜域圖卷積神經網絡

4.3.1譜卷積神經網絡

4.3.2切比雪夫網絡

4.3.3圖卷積神經網絡

4.3.4譜域圖卷積的特點

4.4空域圖卷積神經網絡

4.4.1圖卷積神經網絡空域理解

4.4.2GraphSAGE模型

4.5本章小結

第5章圖注意力網絡

5.1注意力機制

5.1.1注意力機制的變體

5.1.2注意力機制的優勢

5.1.3應用場景

5.2同質圖注意力網絡

5.2.1圖注意力層

5.2.2多頭注意力

5.3異質圖注意力網絡

5.3.1頂點級別注意力

5.3.2語義級別注意力

5.4門控注意力網絡

5.5層次圖注意力網絡

5.5.1視覺關系檢測

5.5.2層次圖注意力網絡模型框架

5.6本章小結

第6章圖序列神經網絡

6.1傳統序列神經網絡

6.1.1循環神經網絡

6.1.2長短期記憶神經網絡

6.1.3門控循環神經網絡

6.2門控序列圖神經網絡

6.3樹與圖結構的LSTM神經網絡

6.3.1非線性結構的LSTM模型

6.3.2GraphLSTM模型

6.4本章小結

第7章圖卷積神經網絡擴展模型

7.1GCN模型的過平滑問題

7.2層采樣加速GCN

7.3關系圖卷積神經網絡

7.3.1RGCN迭代關系

7.3.2RGCN可學習參數正則化

7.3.3RGCN應用場景

7.4本章小結

第8章圖深度學習框架

8.1統一編程范式

8.1.1MPNN

8.1.2NLNN

8.1.3GN

8.2主流框架簡介

8.2.1PyG

8.2.2DGL

8.2.3AliGraph

8.3京東圖深度學習框架Galileo

8.3.1設計概要

8.3.2圖引擎層

8.3.3圖訓練框架

8.3.4支持算法模型

8.3.5圖模型實踐

8.4本章小結

第9章圖神經網絡在推薦場景下的應用

9.1推薦系統的目的與挑戰

9.2傳統推薦方法

9.3圖推薦算法

9.3.1基于圖表示學習的推薦方法

9.3.2基于圖深度學習的推薦方法

9.4電商業務推薦實踐

9.5本章小結

第10章圖神經網絡在流量風控場景中的應用

10.1背景介紹

10.2廣告流量計費模式

10.3廣告作弊動機

10.4廣告反作弊中的傳統圖算法

10.5廣告反作弊圖深度學習方法

10.6本章小結

參考文獻