目    录

第1篇  图学习简介

第1章  图学习入门 3

1.1  使用图的原因 3

1.2  进行图学习的原因 5

1.3  构建图神经网络的原因 7

1.4  小结 9

1.5  延伸阅读 10

第2章  图神经网络的图论 11

2.1  技术要求 11

2.2  介绍图属性 11

2.2.1  有向图 12

2.2.2  加权图 13

2.2.3  连通图 14

2.2.4  图的类型 15

2.3  发现图概念 17

2.3.1  基础对象 17

2.3.2  图的度量 18

2.3.3  邻接矩阵表示 20

2.3.4  边列表 21

2.3.5  邻接列表 21

2.4  探索图算法 22

2.4.1  广度优先搜索 22

2.4.2  深度优先搜索 24

2.5  小结 25

第2篇  基 础 知 识

第3章  使用DeepWalk创建节点表示 29

3.1  技术要求 29

3.2  Word2Vec简介 30

3.2.1  CBOW与skip-gram 30

3.2.2  创建skip-gram 31

3.2.3  skip-gram模型 33

3.3  DeepWalk和随机游走 37

3.4  实现DeepWalk 40

3.5  小结 44

3.6  延伸阅读 45

第4章  在Node2Vec中使用有偏随机游走改进嵌入 47

4.1  技术要求 47

4.2  Node2Vec简介 48

4.2.1  定义邻域 48

4.2.2  在随机游走中引入偏差 49

4.3  实现Node2Vec 53

4.4  构建电影推荐系统 56

4.4.1  基于用户评分创建电影连接图 57

4.4.2  实现电影推荐系统 59

4.5  小结 61

4.6  延伸阅读 61

第5章  使用普通神经网络包含节点特征 63

5.1  技术要求 63

5.2  图数据集介绍 64

5.2.1  Cora数据集 64

5.2.2  Facebook Page-Page数据集 66

5.3  使用普通神经网络对节点进行分类 69

5.3.1  转换数据 69

5.3.2  创建自定义多层感知器类 70

5.3.3  创建、训练和测试多层感知器实例 72

5.4  使用普通图神经网络对节点进行分类 73

5.5  小结 78

5.6  延伸阅读 78

第6章  图卷积网络 79

6.1  技术要求 79

6.2  设计图卷积层 80

6.3  比较图卷积层和图线性层 84

6.3.1  分析数据集中的节点度 84

6.3.2  实现图卷积网络 86

6.4  通过节点回归预测网络流量 89

6.4.1  了解数据集 89

6.4.2  定义GCN类 92

6.4.3  使用MSE指标 93

6.4.4  使用RMSE和MAE指标 95

6.5  小结 96

6.6  延伸阅读 97

第7章  图注意力网络 99

7.1  技术要求 99

7.2  图注意力层简介 100

7.2.1  线性变换 100

7.2.2  激活函数 101

7.2.3  softmax归一化 101

7.2.4  多头注意力 102

7.2.5  改进的图注意力层 103

7.3  在NumPy中实现图注意力层 103

7.4  在PyTorch Geometric中实现图注意力网络 107

7.4.1  在Cora数据集上使用GATv2图注意力网络 107

7.4.2  在CiteSeer数据集上使用图注意力网络 110

7.4.3  验证假设 113

7.5  小结 115

第3篇  高 级 技 术

第8章  使用GraphSAGE扩展图神经网络 119

8.1  技术要求 119

8.2  GraphSAGE 简介 120

8.2.1  邻居采样 120

8.2.2  聚合 123

8.3  PubMed数据集上的节点分类 124

8.4  蛋白质-蛋白质相互作用的归纳学习 131

8.5  小结 135

8.6  延伸阅读 136

第9章  定义图分类的表达能力 137

9.1  技术要求 137

9.2  定义表达能力 138

9.3  图同构网络简介 140

9.4  使用GIN对图进行分类 141

9.4.1  图分类 141

9.4.2  实现GIN 142

9.4.3  验证假设 148

9.4.4  简单集成模型 150

9.5  小结 151

9.6  延伸阅读 152

第10章  使用图神经网络预测链接 153

10.1  技术要求 153

10.2  使用传统方法预测链接 154

10.2.1  启发式技术 154

10.2.2  矩阵分解 156

10.3  使用节点嵌入预测链接 157

10.3.1  GAE简介 157

10.3.2  VGAE简介 158

10.3.3  实现VGAE 159

10.4  使用SEAL预测链接 162

10.4.1  SEAL框架简介 162

10.4.2  实现SEAL框架 164

10.5  小结 169

10.6  延伸阅读 170

第11章  使用图神经网络生成图 171

11.1  技术要求 171

11.2  使用传统技术生成图 172

11.2.1  Erd?s–Rényi模型 172

11.2.2  小世界模型 174

11.3  使用图神经网络生成图 176

11.3.1  图变分自动编码器 176

11.3.2  自回归模型 178

11.3.3  生成对抗网络 179

11.4  使用MolGAN生成分子 181

11.5  小结 185

11.6  延伸阅读 185

第12章  从异构图学习 187

12.1  技术要求 187

12.2  消息传递神经网络框架 188

12.3  引入异构图 190

12.4  将同构图神经网络转换为异构图神经网络 193

12.4.1  使用DBLP数据集 193

12.4.2  实现图注意力网络作为基线 194

12.4.3  创建图注意力网络的异构版本 197

12.5  实现分层自注意力网络 199

12.6  小结 203

12.7  延伸阅读 204

第13章  时序图神经网络 205

13.1  技术要求 205

13.2  动态图简介 206

13.3  预测网络流量 206

13.3.1  EvolveGCN简介 206

13.3.2  实现EvolveGCN 209

13.4  预测COVID-19病例 216

13.4.1  MPNN-LSTM简介 217

13.4.2  可视化示例数据集 218

13.4.3  实现MPNN-LSTM 219

13.5  小结 223

13.6  延伸阅读 223

第14章  解释图神经网络 225

14.1  技术要求 225

14.2  可解释AI技术简介 226

14.3  使用GNNExplainer解释图神经网络 227

14.3.1  GNNExplainer简介 227

14.3.2  实现GNNExplainer 228

14.4  使用Captum解释图神经网络 231

14.4.1  Captum和积分梯度 232

14.4.2  实现积分梯度 232

14.5  小结 237

14.6  延伸阅读 237

第4篇  应    用

第15章  使用A3T-GCN预测交通 241

15.1  技术要求 241

15.2  探索PeMS-M数据集 242

15.2.1  可视化交通速度的变化 243

15.2.2  可视化平均交通速度和标准差 244

15.2.3  可视化速度之间的相关性 245

15.3  处理数据集 247

15.3.1  将表格数据转换为图 247

15.3.2  归一化速度数据 250

15.3.3  创建时序图 251

15.4  实现A3T-GCN架构 252

15.4.1  A3T-GCN架构简介 252

15.4.2  使用PyTorch Geometric Temporal库来实现A3T-GCN架构 253

15.4.3  评估模型性能 254

15.4.4  可视化平均预测结果 256

15.5  小结 258

15.6  延伸阅读 258

第16章  使用异构图神经网络检测异常 259

16.1  技术要求 259

16.2  探索CIDDS-001数据集 260

16.3  预处理CIDDS-001数据集 264

16.3.1  处理多种类型的数据 264

16.3.2  将DataFrame转换为图 267

16.4  实现异构图神经网络 270

16.5  小结 276

16.6  延伸阅读 276

第17章  使用LightGCN构建推荐系统 277

17.1  技术要求 277

17.2  探索Book-Crossing数据集 278

17.3  预处理Book-Crossing数据集 283

17.4  实现LightGCN架构 286

17.4.1  LightGCN架构的基本原理 287

17.4.2  使用PyTorch Geometric创建模型 288

17.4.3  编写损失函数 290

17.4.4  训练LightGCN模型 291

17.4.5  编写推荐函数 293

17.5  小结 295

17.6  延伸阅读 295

第18章  释放图神经网络在实际应用中的潜力 297