圖表示學習書籍 詳細介紹

概述

這是一本關於圖表示學習的綜合性教科書，由麥吉爾大學的William L. Hamilton教授撰寫。該書旨在為圖表示學習提供簡潔但全面的介紹，涵蓋了圖數據嵌入方法、圖神經網路和圖的深度生成模型。

背景

圖表示學習領域在過去七年中以驚人的速度發展，從一個相對小眾的研究子集轉變為深度學習中發展最快的子領域之一。這本書是作者試圖為這一快速發展的領域提供權威性介紹的嘗試。

獲取方式

• 免費版本: 可以下載預發布版本的PDF文件
• 正式版本: 可以透過Morgan & Claypool出版社購買電子書或印刷版
• 章節訪問: 可以單獨訪問各個章節的預發布版本

內容結構

基礎部分

• Chapter 1: Introduction and Motivations

  • 介紹與動機
  • 最後更新：2020年9月

• Chapter 2: Background and Traditional Approaches

  • 背景與傳統方法
  • 最後更新：2020年9月

Part I: Node Embeddings (節點嵌入)

• Chapter 3: Neighborhood Reconstruction Methods

  • 鄰域重建方法
  • 最後更新：2020年9月

• Chapter 4: Multi-Relational Data and Knowledge Graphs

  • 多關係數據與知識圖譜
  • 最後更新：2020年9月

Part II: Graph Neural Networks (圖神經網路)

• Chapter 5: The Graph Neural Network Model

  • 圖神經網路模型
  • 最後更新：2020年9月

• Chapter 6: Graph Neural Networks in Practice

  • 圖神經網路實踐
  • 最後更新：2020年9月

• Chapter 7: Theoretical Motivations

  • 理論動機
  • 最後更新：2020年9月

Part III: Generative Graph Models (生成圖模型)

• Chapter 8: Traditional Graph Generation Approaches

  • 傳統圖生成方法
  • 最後更新：2020年9月

• Chapter 9: Deep Generative Models

  • 深度生成模型
  • 最後更新：2020年9月

附錄

• Bibliography
  • 參考文獻
  • 最後更新：2020年9月

學術資訊

• 作者: William L. Hamilton
• 出版社: Morgan & Claypool Publishers
• 系列: Synthesis Lectures on Artificial Intelligence and Machine Learning
• 卷號: 14
• 期號: 3
• 頁數: 1-159

版權資訊

該書的預發布版本在出版社的慷慨同意下可以公開訪問，但不包括出版社的格式化或修訂。所有版權由作者和出版社持有。

反饋渠道

歡迎反饋、錯誤糾正和意見，請發送至 wlh@cs.mcgill.ca，郵件主題請標註 [GRL BOOK]。

學習價值

這本書為以下人群提供了寶貴的學習資源：

• 深度學習研究者
• 圖神經網路初學者
• 圖數據分析專業人員
• 機器學習工程師
• 研究生和博士生

核心技術領域

• 圖嵌入技術
• 圖神經網路架構
• 知識圖譜處理
• 圖生成模型
• 深度學習在圖數據上的應用