0人評分過此書

图深度学习从理论到实践

出版日期
2022/05/01
閱讀格式
EPUB
書籍分類
學科分類
ISBN
9787302604884

本館館藏

借閱規則
當前可使用人數 30
借閱天數 14
線上看 0
借閱中 0
選擇分享方式

推薦本館採購書籍

您可以將喜歡的電子書推薦給圖書館,圖書館會參考讀者意見進行採購

讀者資料
圖書館
* 姓名
* 身分
系所
* E-mail
※ 我們會寄送一份副本至您填寫的Email中
電話
※ 電話格式為 區碼+電話號碼(ex. 0229235151)/ 手機格式為 0900111111
* 請輸入驗證碼

本書收錄於此書展...

圖神經網絡是人工智能的一個熱點方向,從圖的視角解讀大數據,可以靈活建模複雜的信息交互關係,吸引大量學者的關注並在多個工業領域得到廣泛應用。《圖深度學習從理論到實踐》由淺入深,全面介紹圖神經網絡的基礎知識、典型模型方法和應用實踐。《圖深度學習從理論到實踐》不僅包括一般的深度學習基礎和圖基礎知識,還涵蓋了圖表示學習、圖卷積、圖注意力、圖序列等典型圖網絡模型,以自研的Galileo平台為代表的圖學習框架,以及圖神經網絡在電商推薦和流量風控方面的兩個典型工業應用。 《圖深度學習從理論到實踐》既適合對數據挖掘、機器學習方向以及圖建模交叉方向感興趣的高年級本科生和研究生作為教材使用,也適合互聯網電商、金融風控、社交網絡分析、藥物研發等企業的從業者參考學習。
  • 封面页
  • 书名页
  • 版权页
  • 内容简介
  • 前言
  • 目录
  • 第1章 深度学习基础
    • 1.1 深度学习与人工智能
    • 1.2 感知机与神经网络
      • 1.2.1 单层感知机
      • 1.2.2 多层感知机
    • 1.3 前馈神经网络
      • 1.3.1 前馈神经网络的模型
      • 1.3.2 前馈神经网络的学习
    • 1.4 卷积神经网络
      • 1.4.1 图像数据的存储
      • 1.4.2 传统图像处理算子
      • 1.4.3 卷积
      • 1.4.4 池化
      • 1.4.5 填充
      • 1.4.6 步幅
      • 1.4.7 典型的卷积神经网络结构
      • 1.4.8 卷积神经网络与多层感知机的差别
    • 1.5 深度学习训练的最优化算法
    • 1.6 深度学习中的过拟合和欠拟合
    • 1.7 本章小结
  • 第2章 图基础
    • 2.1 图的结构
    • 2.2 图的性质
    • 2.3 图数据的存储
    • 2.4 图与拉普拉斯矩阵
    • 2.5 图神经网络简史
      • 2.5.1 挑战
      • 2.5.2 发展简史
    • 2.6 图的任务与应用
      • 2.6.1 图的任务
      • 2.6.2 图神经网络的应用
    • 2.7 本章小结
  • 第3章 图表示学习
    • 3.1 图表示学习的意义
    • 3.2 基于矩阵分解的图表示学习方法
    • 3.3 基于随机游走的图表示学习
      • 3.3.1 Word2Vec算法
      • 3.3.2 DeepWalk
      • 3.3.3 Node2Vec
      • 3.3.4 随机游走模型的优化策略
      • 3.3.5 其他随机游走方法
    • 3.4 基于深度学习的图表示学习
      • 3.4.1 局域相似度和全局相似度
      • 3.4.2 SDNE算法结构图
    • 3.5 异质图表示学习
    • 3.6 本章小结
  • 第4章 图卷积神经网络
    • 4.1 图与图像的差异
    • 4.2 传统图信号处理方法
    • 4.3 谱域图卷积神经网络
      • 4.3.1 谱卷积神经网络
      • 4.3.2 切比雪夫网络
      • 4.3.3 图卷积神经网络
      • 4.3.4 谱域图卷积的特点
    • 4.4 空域图卷积神经网络
      • 4.4.1 图卷积神经网络空域理解
      • 4.4.2 GraphSAGE模型
    • 4.5 本章小结
  • 第5章 图注意力网络
    • 5.1 注意力机制
      • 5.1.1 注意力机制的变体
      • 5.1.2 注意力机制的优势
      • 5.1.3 应用场景
    • 5.2 同质图注意力网络
      • 5.2.1 图注意力层
      • 5.2.2 多头注意力
    • 5.3 异质图注意力网络
      • 5.3.1 顶点级别注意力
      • 5.3.2 语义级别注意力
    • 5.4 门控注意力网络
    • 5.5 层次图注意力网络
      • 5.5.1 视觉关系检测
      • 5.5.2 层次图注意力网络模型框架
    • 5.6 本章小结
  • 第6章 图序列神经网络
    • 6.1 传统序列神经网络
      • 6.1.1 循环神经网络
      • 6.1.2 长短期记忆神经网络
      • 6.1.3 门控循环神经网络
    • 6.2 门控序列图神经网络
    • 6.3 树与图结构的LSTM神经网络
      • 6.3.1 非线性结构的LSTM模型
      • 6.3.2 GraphLSTM模型
    • 6.4 本章小结
  • 第7章 图卷积神经网络扩展模型
    • 7.1 GCN模型的过平滑问题
    • 7.2 层采样加速GCN
    • 7.3 关系图卷积神经网络
      • 7.3.1 R-GCN迭代关系
      • 7.3.2 R-GCN可学习参数正则化
      • 7.3.3 R-GCN应用场景
    • 7.4 本章小结
  • 第8章 图深度学习框架
    • 8.1 统一编程范式
      • 8.1.1 MPNN
      • 8.1.2 NLNN
      • 8.1.3 GN
    • 8.2 主流框架简介
      • 8.2.1 PyG
      • 8.2.2 DGL
      • 8.2.3 AliGraph
    • 8.3 京东图深度学习框架Galileo
      • 8.3.1 设计概要
      • 8.3.2 图引擎层
      • 8.3.3 图训练框架
      • 8.3.4 支持算法模型
      • 8.3.5 图模型实践
    • 8.4 本章小结
  • 第9章 图神经网络在推荐场景下的应用
    • 9.1 推荐系统的目的与挑战
    • 9.2 传统推荐方法
    • 9.3 图推荐算法
      • 9.3.1 基于图表示学习的推荐方法
      • 9.3.2 基于图深度学习的推荐方法
    • 9.4 电商业务推荐实践
    • 9.5 本章小结
  • 第10章 图神经网络在流量风控场景中的应用
    • 10.1 背景介绍
    • 10.2 广告流量计费模式
    • 10.3 广告作弊动机
    • 10.4 广告反作弊中的传统图算法
    • 10.5 广告反作弊图深度学习方法
    • 10.6 本章小结
  • 参考文献
  • 出版地 中國大陸
  • 語言 簡體中文

評分與評論

請登入後再留言與評分
幫助
您好,請問需要甚麼幫助呢?
使用指南

客服專線:0800-000-747

服務時間:週一至週五 AM 09:00~PM 06:00

loading