圖深度學(xué)習(xí)從理論到實踐

目錄
第1章深度學(xué)習(xí)基礎(chǔ)

1.1深度學(xué)習(xí)與人工智能

1.2感知機與神經(jīng)網(wǎng)絡(luò)

1.2.1單層感知機

1.2.2多層感知機

1.3前饋神經(jīng)網(wǎng)絡(luò)

1.3.1前饋神經(jīng)網(wǎng)絡(luò)的模型

1.3.2前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)

1.4卷積神經(jīng)網(wǎng)絡(luò)

1.4.1圖像數(shù)據(jù)的存儲

1.4.2傳統(tǒng)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.4.8卷積神經(jīng)網(wǎng)絡(luò)與多層感知機的差別

1.5深度學(xué)習(xí)訓(xùn)練的最優(yōu)化算法

1.6深度學(xué)習(xí)中的過擬合和欠擬合

1.7本章小結(jié)

第2章圖基礎(chǔ)

2.1圖的結(jié)構(gòu)

2.2圖的性質(zhì)

2.3圖數(shù)據(jù)的存儲

2.4圖與拉普拉斯矩陣

2.5圖神經(jīng)網(wǎng)絡(luò)簡史

2.5.1挑戰(zhàn)

2.5.2發(fā)展簡史

2.6圖的任務(wù)與應(yīng)用

2.6.1圖的任務(wù)

2.6.2圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用

2.7本章小結(jié)

第3章圖表示學(xué)習(xí)

3.1圖表示學(xué)習(xí)的意義

3.2基于矩陣分解的圖表示學(xué)習(xí)方法

3.3基于隨機游走的圖表示學(xué)習(xí)

3.3.1Word2Vec算法

3.3.2DeepWalk

3.3.3Node2Vec

3.3.4隨機游走模型的優(yōu)化策略

3.3.5其他隨機游走方法

3.4基于深度學(xué)習(xí)的圖表示學(xué)習(xí)

3.4.1局域相似度和全局相似度

3.4.2SDNE算法結(jié)構(gòu)圖

3.5異質(zhì)圖表示學(xué)習(xí)

3.6本章小結(jié)

| 圖深度學(xué)習(xí)從理論到實踐

目錄 |

第4章圖卷積神經(jīng)網(wǎng)絡(luò)

4.1圖與圖像的差異

4.2傳統(tǒng)圖信號處理方法

4.3譜域圖卷積神經(jīng)網(wǎng)絡(luò)

4.3.1譜卷積神經(jīng)網(wǎng)絡(luò)

4.3.2切比雪夫網(wǎng)絡(luò)

4.3.3圖卷積神經(jīng)網(wǎng)絡(luò)

4.3.4譜域圖卷積的特點

4.4空域圖卷積神經(jīng)網(wǎng)絡(luò)

4.4.1圖卷積神經(jīng)網(wǎng)絡(luò)空域理解

4.4.2GraphSAGE模型

4.5本章小結(jié)

第5章圖注意力網(wǎng)絡(luò)

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(yōu)勢

5.1.3應(yīng)用場景

5.2同質(zhì)圖注意力網(wǎng)絡(luò)

5.2.1圖注意力層

5.2.2多頭注意力


5.3異質(zhì)圖注意力網(wǎng)絡(luò)

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(wǎng)絡(luò)

5.5層次圖注意力網(wǎng)絡(luò)

5.5.1視覺關(guān)系檢測

5.5.2層次圖注意力網(wǎng)絡(luò)模型框架

5.6本章小結(jié)

第6章圖序列神經(jīng)網(wǎng)絡(luò)

6.1傳統(tǒng)序列神經(jīng)網(wǎng)絡(luò)

6.1.1循環(huán)神經(jīng)網(wǎng)絡(luò)

6.1.2長短期記憶神經(jīng)網(wǎng)絡(luò)

6.1.3門控循環(huán)神經(jīng)網(wǎng)絡(luò)

6.2門控序列圖神經(jīng)網(wǎng)絡(luò)

6.3樹與圖結(jié)構(gòu)的LSTM神經(jīng)網(wǎng)絡(luò)

6.3.1非線性結(jié)構(gòu)的LSTM模型

6.3.2GraphLSTM模型

6.4本章小結(jié)

第7章圖卷積神經(jīng)網(wǎng)絡(luò)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(guān)系圖卷積神經(jīng)網(wǎng)絡(luò)

7.3.1RGCN迭代關(guān)系

7.3.2RGCN可學(xué)習(xí)參數(shù)正則化

7.3.3RGCN應(yīng)用場景

7.4本章小結(jié)

第8章圖深度學(xué)習(xí)框架

8.1統(tǒng)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(xué)習(xí)框架Galileo

8.3.1設(shè)計概要

8.3.2圖引擎層

8.3.3圖訓(xùn)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(jié)

第9章圖神經(jīng)網(wǎng)絡(luò)在推薦場景下的應(yīng)用

9.1推薦系統(tǒng)的目的與挑戰(zhàn)

9.2傳統(tǒng)推薦方法

9.3圖推薦算法

9.3.1基于圖表示學(xué)習(xí)的推薦方法

9.3.2基于圖深度學(xué)習(xí)的推薦方法

9.4電商業(yè)務(wù)推薦實踐

9.5本章小結(jié)

第10章圖神經(jīng)網(wǎng)絡(luò)在流量風(fēng)控場景中的應(yīng)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(tǒng)圖算法

10.5廣告反作弊圖深度學(xué)習(xí)方法

10.6本章小結(jié)

參考文獻