第 1章　引论 1
1.1　设计动机　1
1.1.1　卷积神经网络　1
1.1.2　图嵌入　3
1.2　相关工作　3
第　2章 数学和图论基础　7
2.1　线性代数　7
2.1.1　基本概念　7
2.1.2　特征分解　10
2.1.3　奇异值分解　11
2.2　概率论　12
2.2.1　基本概念和公式　12
2.2.2　概率分布　14
2.3　图论　15
2.3.1　基本概念　16
2.3.2　图的代数表示　16
第3章　神经网络基础　19
3.1　神经元　19
3.2　后向传播　22
3.3　神经网络　24
第4章　基础图神经网络　27
4.1　概述　27
4.2　模型介绍　28
4.3　局限性　30
第5章　卷积图神经网络　33
5.1　基于谱分解的方法　33
5.1.1　Spectral Network　33
5.1.2　ChebNet　34
5.1.3　GCN　35
5.1.4　AGCN　36
5.2　基于空间结构的方法　37
5.2.1　Neural FP　37
5.2.2　PATCHY-SAN　38
5.2.3　DCNN　40
5.2.4　DGCN　40
5.2.5　LGCN　42
5.2.6　MoNet　44
5.2.7　GraphSAGE　45
第6章　循环图神经网络　47
6.1　GGNN　47
6.2　Tree-LSTM　49
6.3　Graph-LSTM　50
6.4　S-LSTM　51
第7章　图注意力网络　55
7.1　GAT　55
7.2　GaAN　57
第8章　图残差网络　59
8.1　Highway GCN　59
8.2　Jump Knowledge Network　60
8.3　DeepGCN　62
第9章　不同图类型的模型变体　65
9.1　有向图　65
9.2　异构图　66
9.3　带有边信息的图　68
9.4　动态图　70
9.5　多维图　72
第　10章 高级训练方法　75
10.1　采样　75
10.2　层级池化　78
10.3　数据增广　80
10.4　无监督训练　80
第　11章 通用框架　83
11.1　MPNN　83
11.2　NLNN　85
11.3　GN　87
第　12章 结构化场景应用　93
12.1　物理学　93
12.2　化学和生物学　95
12.2.1　分子指纹　95
12.2.2　化学反应预测　97
12.2.3　药物推荐　97
12.2.4　蛋白质和分子交互预测　98
12.3　知识图谱　99
12.3.1　知识图谱补全　99
12.3.2　归纳式知识图谱嵌入　100
12.3.3　知识图谱对齐　101
12.4　推荐系统　102
12.4.1　矩阵补全　103
12.4.2　社交推荐　104
第　13章 非结构化场景应用　105
13.1　图像领域　105
13.1.1　图像分类　105
13.1.2　视觉推理　108
13.1.3　语义分割　109
13.2　文本领域　110
13.2.1　文本分类　110
13.2.2　序列标注　111
13.2.3　神经机器翻译　112
13.2.4　信息抽取　113
13.2.5　事实验证　114
13.2.6　其他应用　116
第　14章 其他场景应用　117
14.1　生成模型　117
14.2　组合优化　119
第　15章 开放资源　121
15.1　数据集　121
15.2　代码实现　123
第　16章 总结　125
16.1　浅层结构　125
16.2　动态图　126
16.3　非结构化场景　126
16.4　可扩展性　126
参考文献　129
作者简介　148
· · · · · · (收起)