第 1 章 概述 1 1.1 基本概念 1 1.1.1 圖的定義和屬性 1 1.1.2 復(fù)雜圖 3 1.1.3 圖上的計(jì)算任務(wù) 5 1.2 圖神經(jīng)網(wǎng)絡(luò)的發(fā)展 6 1.2.1 圖表示學(xué)習(xí)的歷史 6 1.2.2 圖神經(jīng)網(wǎng)絡(luò)的前沿 7 1.3 本書的組織結(jié)構(gòu) 8 第 2 章 基礎(chǔ)圖神經(jīng)網(wǎng)絡(luò) 10 2.1 引言 10 2.2 圖卷積網(wǎng)絡(luò) 11 2.2.1 概述 11 2.2.2 GCN 模型 12 2.3 歸納式圖卷積網(wǎng)絡(luò) 13 2.3.1 概述 14 2.3.2 GraphSAGE 模型 14 2.4 圖注意力網(wǎng)絡(luò) 16 2.4.1 概述 17 2.4.2 GAT 模型 17 2.5 異質(zhì)圖注意力網(wǎng)絡(luò) 19 2.5.1 概述 19 2.5.2 HAN 模型 19 第 3 章 同質(zhì)圖神經(jīng)網(wǎng)絡(luò) 23 3.1 引言 23 3.2 自適應(yīng)多通道圖卷積網(wǎng)絡(luò) 24 3.2.1 概述 24 3.2.2 實(shí)驗(yàn)觀察 24 3.2.3 AM-GCN 模型 25 3.2.4 實(shí)驗(yàn) 30 3.3 融合高低頻信息的圖卷積網(wǎng)絡(luò) 32 3.3.1 概述 32 3.3.2 實(shí)驗(yàn)觀察 32 3.3.3 FAGCN 模型 33 3.3.4 實(shí)驗(yàn) 35 3.4 圖結(jié)構(gòu)估計(jì)神經(jīng)網(wǎng)絡(luò) 37 3.4.1 概述 37 3.4.2 GEM 模型 37 3.4.3 實(shí)驗(yàn) 43 3.5 基于統(tǒng)一優(yōu)化框架的圖神經(jīng)網(wǎng)絡(luò) 44 3.5.1 概述 44 3.5.2 預(yù)備知識(shí) 45 3.5.3 GNN-LF/HF 模型 46 3.5.4 實(shí)驗(yàn) 50 3.6 本章小結(jié) 51 3.7 擴(kuò)展閱讀 51 第 4 章 異質(zhì)圖神經(jīng)網(wǎng)絡(luò) 53 4.1 引言 53 4.2 異質(zhì)圖傳播網(wǎng)絡(luò)54 4.2.1 概述 54 4.2.2 HPN 模型 55 4.2.3 實(shí)驗(yàn) 58 4.3 基于距離編碼的異質(zhì)圖神經(jīng)網(wǎng)絡(luò) 60 4.3.1 概述 60 4.3.2 DHN 模型 61 4.3.3 實(shí)驗(yàn) 64 4.4 基于協(xié)同對(duì)比學(xué)習(xí)的自監(jiān)督異質(zhì)圖神經(jīng)網(wǎng)絡(luò) 66 4.4.1 概述 66 4.4.2 HeCo 模型 66 4.4.3 實(shí)驗(yàn) 71 4.5 本章小結(jié) 73 4.6 擴(kuò)展閱讀 74 第 5 章 動(dòng)態(tài)圖神經(jīng)網(wǎng)絡(luò) 75 5.1 引言 75 5.2 基于微觀禿旯鄱�态芯壞图表示学�� 75 5.2.1 概述 75 5.2.2 M2DNE 模型 76 5.2.3 實(shí)驗(yàn) 79 5.3 基于異質(zhì)霍克斯過程的動(dòng)態(tài)異質(zhì)圖表示學(xué)習(xí) 81 5.3.1 概述 81 5.3.2 HPGE 模型 82 5.3.3 實(shí)驗(yàn) 85 5.4 基于動(dòng)態(tài)元路徑的時(shí)序異質(zhì)圖神經(jīng)網(wǎng)絡(luò) 87 5.4.1 概述 87 5.4.2 DyMGNN 模型 88 5.4.3 實(shí)驗(yàn) 91 5.5 本章小結(jié) 93 5.6 擴(kuò)展閱讀 93 第 6 章 雙曲圖神經(jīng)網(wǎng)絡(luò) 94 6.1 引言 94 6.2 雙曲圖注意力網(wǎng)絡(luò) 95 6.2.1 概述 95 6.2.2 HAT 模型 95 6.2.3 實(shí)驗(yàn) 99 6.3 洛倫茲圖卷積網(wǎng)絡(luò) 101 6.3.1 概述 101 6.3.2 LGCN 模型 101 6.3.3 實(shí)驗(yàn) 104 6.4 雙曲異質(zhì)圖表示 106 6.4.1 概述 106 6.4.2 HHNE 模型 107 6.4.3 實(shí)驗(yàn) 109 6.5 本章小結(jié) 112 6.6 擴(kuò)展閱讀 112 第 7 章 圖神經(jīng)網(wǎng)絡(luò)的知識(shí)蒸餾 113 7.1 引言 113 7.2 圖神經(jīng)網(wǎng)絡(luò)的先驗(yàn)知識(shí)蒸餾 114 7.2.1 概述 114 7.2.2 CPF 框架 114 7.2.3 實(shí)驗(yàn) 117 7.3 溫度自適應(yīng)的圖神經(jīng)網(wǎng)絡(luò)知識(shí)蒸餾 119 7.3.1 概述 119 7.3.2 LTD 框架 120 7.3.3 實(shí)驗(yàn) 123 7.4 圖神經(jīng)網(wǎng)絡(luò)的無數(shù)據(jù)對(duì)抗知識(shí)蒸餾 124 7.4.1 概述 124 7.4.2 DFAD-GNN 框架 124 7.4.3 實(shí)驗(yàn) 127 7.5 本章小結(jié) 129 7.6 擴(kuò)展閱讀 130 第 8 章 圖神經(jīng)網(wǎng)絡(luò)平臺(tái)和實(shí)踐 131 8.1 引言 131 8.2 基礎(chǔ)知識(shí) 132 8.2.1 深度學(xué)習(xí)平臺(tái) 132 8.2.2 圖神經(jīng)網(wǎng)絡(luò)平臺(tái) 136 8.2.3 GammaGL 平臺(tái) 139 8.3 圖神經(jīng)網(wǎng)絡(luò)在 GammaGL 上的實(shí)踐 142 8.3.1 創(chuàng)建自己的圖 142 8.3.2 創(chuàng)建消息傳遞網(wǎng)絡(luò) 144 8.3.3 高級(jí)小批量 146 8.3.4 GIN 實(shí)踐 146 8.3.5 GraphSAGE 實(shí)踐 148 8.3.6 HAN 實(shí)踐 151 8.4 本章小結(jié) 153 第 9 章 未來方向和總結(jié) 154 9.1 未來方向 154 9.1.1 自監(jiān)督學(xué)習(xí) 154 9.1.2 魯棒性 154 9.1.3 可解釋性 155 9.1.4 公平性 156 9.1.5 自然科學(xué)應(yīng)用 156 9.2 總結(jié) 157 參考文獻(xiàn) 159