书籍介绍
《图表示学习》提供了一份关于图表示学习的综述。首先，本书讨论图表示学习的目标及图论和网络分析的关键方法论。然后，本书介绍并回顾了学习节点嵌入的方法，包括基于随机游走的方法以及在知识图谱上的应用。再后，本书对高度成功的图神经网络（ Graph Neural Network， GNN）进行了技术上的综合介绍， GNN已成为图数据深度学习领域占主导地位且迅速发展的范式。最后，本书总结了针对图的深度生成模型的最新进展，这是图表示学习新生但发展迅速的子集。
威廉·汉密尔顿（William Hamilton）是麦吉尔大学（McGill University）计算机科学系的助理教授，也是加拿大高等研究院（Canadian Institute for Advanced Research, CIFAR）AI 方向的主席、GraphSAGE 的作者。他专注于图表示学习及其在计算社会科学和生物学中的应用。近年来，他在机器学习和网络科学领域的顶级会议发表了20 多篇关于图表示学习的论文，并且参与组织了关于该主题的几次大型研讨会，分享了多份重磅教程。
他的工作获得了多个奖项的认可，其中包括2017 年美国科学院Cozzarelli最佳论文奖和2018 年斯坦福大学计算机科学系Arthur Samuel 最佳博士论文奖等。
译者简介
AI TIME是 2019年由清华大学人工智能研究院张钹院士和清华大学计算机系唐杰教授、...
目录
第一部分 背景介绍
第1 章 引言 ............................................................................................... 2
1.1 什么是图 .......................................................................................... 3
1.1.1 多关系图 .............................................................................. 4
1.1.2 特征信息 .............................................................................. 5
显示全部
用户评论
很难读...
把这种写的很用心的书随便翻翻的做法实在看不懂。typos很多，还有那种原文都没有插图，书里却写如图*所示这种错误，令人生气
首先，用word排版就已经把我恶心到了，其次，公式照抄都能抄错好几处，审校可以辞职了。最后，译者因为水平有限，太多地方理解错误，误人子弟，第三章随机游走那块是重灾区，呵呵。至于勘误，果然也没有，可真棒！
Stanford CS224W的教材，关于图机器学习模型的来龙去脉解释的非常透彻（尤其是图傅里叶变换和谱图卷积那块）。有评论说太理论是搞笑的吗，这种书本来就是用来塑造建立框架的，细节需要去进一步读论文填充，代码实现也需要自己多上GitHub去找项目来学习。总之这本书做为图机器学习领域的经典教材，深度和广度都非常不错~
太理论，不具备指导实战的作用
电子工业出版社的其他书籍查看全部
下载
收藏