Graph Representation Learning Book 详细介绍

概述

这是一本关于图表示学习的综合性教科书，由McGill大学的William L. Hamilton教授撰写。该书旨在为图表示学习提供简洁但全面的介绍，涵盖了图数据嵌入方法、图神经网络和图的深度生成模型。

背景

图表示学习领域在过去七年中以惊人的速度发展，从一个相对小众的研究子集转变为深度学习中发展最快的子领域之一。这本书是作者试图为这一快速发展的领域提供权威性介绍的尝试。

获取方式

• 免费版本: 可以下载预发布版本的PDF文件
• 正式版本: 可以通过Morgan & Claypool出版社购买电子书或印刷版
• 章节访问: 可以单独访问各个章节的预发布版本

内容结构

基础部分

• Chapter 1: Introduction and Motivations

  • 介绍和动机
  • 最后更新：2020年9月

• Chapter 2: Background and Traditional Approaches

  • 背景和传统方法
  • 最后更新：2020年9月

Part I: Node Embeddings (节点嵌入)

• Chapter 3: Neighborhood Reconstruction Methods

  • 邻域重建方法
  • 最后更新：2020年9月

• Chapter 4: Multi-Relational Data and Knowledge Graphs

  • 多关系数据和知识图谱
  • 最后更新：2020年9月

Part II: Graph Neural Networks (图神经网络)

• Chapter 5: The Graph Neural Network Model

  • 图神经网络模型
  • 最后更新：2020年9月

• Chapter 6: Graph Neural Networks in Practice

  • 图神经网络实践
  • 最后更新：2020年9月

• Chapter 7: Theoretical Motivations

  • 理论动机
  • 最后更新：2020年9月

Part III: Generative Graph Models (生成图模型)

• Chapter 8: Traditional Graph Generation Approaches

  • 传统图生成方法
  • 最后更新：2020年9月

• Chapter 9: Deep Generative Models

  • 深度生成模型
  • 最后更新：2020年9月

附录

• Bibliography
  • 参考文献
  • 最后更新：2020年9月

学术信息

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

版权信息

该书的预发布版本在出版社的慷慨同意下可以公开访问，但不包括出版社的格式化或修订。所有版权由作者和出版社持有。

反馈渠道

欢迎反馈、错误纠正和意见，请发送至 wlh@cs.mcgill.ca，邮件主题请标注 [GRL BOOK]。

学习价值

这本书为以下人群提供了宝贵的学习资源：

• 深度学习研究者
• 图神经网络初学者
• 图数据分析专业人员
• 机器学习工程师
• 研究生和博士生

核心技术领域

• 图嵌入技术
• 图神经网络架构
• 知识图谱处理
• 图生成模型
• 深度学习在图数据上的应用