圖機(jī)器學(xué)習(xí)

第1篇 圖機(jī)器學(xué)習(xí)簡介
第1章 圖的基礎(chǔ)知識(shí) 3
1.1 技術(shù)要求 3
1.2 圖的定義 4
1.3 圖的類型 8
1.3.1 有向圖 8
1.3.2 多重圖 10
1.3.3 加權(quán)圖 11
1.3.4 二分圖 12
1.4 圖的表示方式 14
1.4.1 鄰接矩陣 14
1.4.2 邊列表 16
1.5 繪制圖 17
1.5.1 networkx 17
1.5.2 Gephi 19
1.6 圖屬性 24
1.7 集成指標(biāo) 24
1.7.1 距離、路徑和最短路徑 25
1.7.2 特征路徑長度 26
1.7.3 全局和局部效率 26
1.8 隔離指標(biāo) 28
1.8.1 聚類系數(shù) 28
1.8.2 傳遞性 29
1.8.3 模塊度 30
1.9 中心性指標(biāo) 30
1.9.1 度中心性 30
1.9.2 接近度中心性 31
1.9.3 中介中心性 31
1.10 彈性指標(biāo) 33
1.11 圖和網(wǎng)絡(luò)模型示例 34
1.11.1 簡單的圖的示例 34
1.11.2 生成圖模型 36
1.11.3 Watts-Strogatz（1998） 36
1.11.4 Barabási-Albert（1999） 36
1.12 基準(zhǔn)數(shù)據(jù)集和存儲(chǔ)庫 38
1.12.1 網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)庫 38
1.12.2 斯坦福網(wǎng)絡(luò)分析平臺(tái) 43
1.12.3 開放圖基準(zhǔn) 44
1.13 處理大圖 44
1.14 小結(jié) 46
第2章 圖機(jī)器學(xué)習(xí)概述 47
2.1 技術(shù)要求 47
2.2 理解在圖上執(zhí)行的機(jī)器學(xué)習(xí) 48
2.2.1 機(jī)器學(xué)習(xí)的基本原理 48
2.2.2 在圖上執(zhí)行機(jī)器學(xué)習(xí)的優(yōu)勢 50
2.3 泛化的圖嵌入問題 52
2.4 圖嵌入機(jī)器學(xué)習(xí)算法的分類 58
2.4.1 編碼器和解碼器架構(gòu) 58
2.4.2 嵌入算法的分類 59
2.4.3 嵌入算法的有監(jiān)督和無監(jiān)督版本 60
2.5 小結(jié) 61
第2篇 基于圖的機(jī)器學(xué)習(xí)
第3章 無監(jiān)督圖學(xué)習(xí) 65
3.1 技術(shù)要求 65
3.2 無監(jiān)督圖嵌入算法的層次結(jié)構(gòu) 66
3.3 淺層嵌入方法 67
3.4 矩陣分解 67
3.4.1 圖分解 68
3.4.2 高階鄰近保留嵌入 69
3.4.3 具有全局結(jié)構(gòu)信息的圖表示 71
3.5 Skip-Gram模型 73
3.5.1 DeepWalk算法 75
3.5.2 Node2Vec算法 77
3.5.3 Edge2Vec算法 79
3.5.4 Graph2Vec算法 80
3.6 自動(dòng)編碼器 83
3.6.1 TensorFlow和Keras—強(qiáng)大的組合 85
3.6.2 第一個(gè)自動(dòng)編碼器 86
3.6.3 去噪自動(dòng)編碼器 90
3.6.4 圖自動(dòng)編碼器 92
3.7 圖神經(jīng)網(wǎng)絡(luò) 94
3.7.1 圖神經(jīng)網(wǎng)絡(luò)的變體 95
3.7.2 譜圖卷積 96
3.7.3 空間圖卷積 99
3.7.4 實(shí)踐中的圖卷積 100
3.8 小結(jié) 102
第4章 有監(jiān)督圖學(xué)習(xí) 105
4.1 技術(shù)要求 105
4.2 有監(jiān)督圖嵌入算法的層次結(jié)構(gòu) 106
4.3 基于特征的方法 107
4.4 淺層嵌入方法 110
4.4.1 標(biāo)簽傳播算法 110
4.4.2 標(biāo)簽擴(kuò)展算法 115
4.5 圖正則化方法 118
4.5.1 流形正則化和半監(jiān)督嵌入 118
4.5.2 神經(jīng)圖學(xué)習(xí) 120
4.5.3 Planetoid 128
4.6 圖卷積神經(jīng)網(wǎng)絡(luò) 130
4.6.1 使用GCN進(jìn)行圖分類 130
4.6.2 使用GraphSAGE進(jìn)行節(jié)點(diǎn)分類 132
4.7 小結(jié) 134
第5章 使用圖機(jī)器學(xué)習(xí)技術(shù)解決問題 135
5.1 技術(shù)要求 135
5.2 預(yù)測圖中缺失的鏈接 136
5.3 基于相似性的方法 137
5.3.1 基于索引的方法 137
5.3.2 基于社區(qū)的方法 138
5.4 基于嵌入的方法 140
5.5 檢測有意義的結(jié)構(gòu) 144
5.5.1 基于嵌入的社區(qū)檢測 144
5.5.2 譜方法和矩陣分解 146
5.5.3 概率模型 147
5.5.4 成本函數(shù)最小化 147
5.6 檢測圖相似性和圖匹配 149
5.6.1 基于圖嵌入的方法 151
5.6.2 基于圖核的方法 151
5.6.3 基于圖神經(jīng)網(wǎng)絡(luò)的方法 152
5.6.4 應(yīng)用 152
5.7 小結(jié) 153
第3篇 圖機(jī)器學(xué)習(xí)的高級(jí)應(yīng)用
第6章 社交網(wǎng)絡(luò)圖 157
6.1 技術(shù)要求 157
6.2 數(shù)據(jù)集概述 158
6.2.1 數(shù)據(jù)集下載 158
6.2.2 使用networkx加載數(shù)據(jù)集 159
6.3 網(wǎng)絡(luò)拓?fù)浜蜕鐓^(qū)檢測 161
6.3.1 拓?fù)涓攀?161
6.3.2 節(jié)點(diǎn)中心性 162
6.3.3 社區(qū)檢測 165
6.4 有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)任務(wù) 166
6.4.1 任務(wù)準(zhǔn)備 167
6.4.2 基于node2vec的鏈接預(yù)測 168
6.4.3 基于GraphSAGE的鏈接預(yù)測 169
6.4.4 人工設(shè)計(jì)特征以執(zhí)行鏈接預(yù)測 174
6.4.5 結(jié)果匯總 175
6.5 小結(jié) 176
第7章 使用圖進(jìn)行文本分析和自然語言處理 177
7.1 技術(shù)要求 177
7.2 提供數(shù)據(jù)集的快速概覽 178
7.3 自然語言處理的主要概念和工具 179
7.3.1 文本分割和分詞 181
7.3.2 詞性標(biāo)記器 181
7.3.3 命名實(shí)體識(shí)別 182
7.3.4 依存解析器 182
7.3.5 詞形還原器 183
7.4 從文檔語料庫創(chuàng)建圖 184
7.4.1 知識(shí)圖 184
7.4.2 二分圖 186
7.4.3 實(shí)體-實(shí)體圖 190
7.4.4 注意維度—過濾圖 191
7.4.5 分析圖 193
7.4.6 社區(qū)檢測 195
7.4.7 使用Node2Vec算法 196
7.4.8 文檔-文檔圖 197
7.4.9 主題-主題圖 200
7.5 構(gòu)建文檔主題分類器 203
7.5.1 淺層學(xué)習(xí)方法 204
7.5.2 圖神經(jīng)網(wǎng)絡(luò) 207
7.6 小結(jié) 215
第8章 信用卡交易的圖分析 217
8.1 技術(shù)要求 217
8.2 數(shù)據(jù)集概覽 218
8.3 加載數(shù)據(jù)集并構(gòu)建圖 219
8.3.1 加載數(shù)據(jù)集 219
8.3.2 二分法 220
8.3.3 三分法 221
8.3.4 探索已生成的圖 223
8.4 網(wǎng)絡(luò)拓?fù)浜蜕鐓^(qū)檢測 224
8.4.1 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu) 224
8.4.2 社區(qū)檢測 228
8.5 有監(jiān)督和無監(jiān)督欺詐檢測 233
8.5.1 欺詐交易識(shí)別的有監(jiān)督方法 234
8.5.2 欺詐交易識(shí)別的無監(jiān)督方法 236
8.6 小結(jié) 238
第9章 構(gòu)建數(shù)據(jù)驅(qū)動(dòng)的圖應(yīng)用程序 239
9.1 技術(shù)要求 239
9.2 Lambda架構(gòu)概述 240
9.3 用于圖驅(qū)動(dòng)應(yīng)用程序的Lambda架構(gòu) 242
9.3.1 圖處理引擎 243
9.3.2 圖查詢層 246
9.3.3 Neo4j 246
9.3.4 JanusGraph 248
9.3.5 在Neo4j和GraphX之間進(jìn)行選擇 251
9.4 小結(jié) 252
第10章 圖的新趨勢 253
10.1 技術(shù)要求 253
10.2 了解圖的數(shù)據(jù)增強(qiáng)技術(shù) 253
10.2.1 采樣策略 254
10.2.2 探索數(shù)據(jù)增強(qiáng)技術(shù) 254
10.3 了解拓?fù)鋽?shù)據(jù)分析 255
10.4 拓?fù)錂C(jī)器學(xué)習(xí) 257
10.5 圖論在新領(lǐng)域的應(yīng)用 258
10.5.1 圖機(jī)器學(xué)習(xí)和神經(jīng)科學(xué) 258
10.5.2 圖論與化學(xué)和生物學(xué) 260
10.5.3 圖機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺 260
10.5.4 圖像分類與場景理解 260
10.5.5 形狀分析 261
10.5.6 推薦系統(tǒng) 261
10.6 小結(jié) 262