第1 章绪论1__eol__1.1 简介2__eol__1.2 图深度学习的动机2__eol__1.3 本书内容4__eol__1.4 本书读者定位6__eol__1.5 图特征学习的简要发展史7__eol__1.5.1 图特征选择8__eol__1.5.2 图表示学习9__eol__1.6 小结10__eol__1.7 扩展阅读11__eol____eol__第1 篇基础理论__eol__第2 章图论基础15__eol__2.1 简介16__eol__2.2 图的表示16__eol__2.3 图的性质17__eol__2.3.1 度17__eol__2.3.2 连通度19__eol__2.3.3 中心性21__eol__2.4 谱图论24__eol__2.4.1 拉普拉斯矩阵24__eol__2.4.2 拉普拉斯矩阵的特征值和特征向量26__eol__2.5 图信号处理27__eol__2.6 复杂图30__eol__2.6.1 异质图30__eol__2.6.2 二分图30__eol__2.6.3 多维图31__eol__2.6.4 符号图32__eol__2.6.5 超图33__eol__2.6.6 动态图33__eol__2.7 图的计算任务34__eol__2.7.1 侧重于节点的任务35__eol__2.7.2 侧重于图的任务36__eol__2.8 小结37__eol__2.9 扩展阅读37__eol__第3 章深度学习基础39__eol__3.1 简介40__eol__3.2 深度前馈神经网络41__eol__3.2.1 网络结构42__eol__3.2.2 激活函数43__eol__3.2.3 输出层和损失函数45__eol__3.3 卷积神经网络47__eol__3.3.1 卷积操作和卷积层48__eol__3.3.2 实际操作中的卷积层51__eol__3.3.3 非线性激活层52__eol__3.3.4 池化层53__eol__3.3.5 卷积神经网络总体框架53__eol__3.4 循环神经网络54__eol__3.4.1 传统循环神经网络的网络结构55__eol__3.4.2 长短期记忆网络56__eol__3.4.3 门控循环单元58__eol__3.5 自编码器59__eol__3.5.1 欠完备自编码器59__eol__3.5.2 正则化自编码器60__eol__3.6 深度神经网络的训练61__eol__3.6.1 梯度下降61__eol__3.6.2 反向传播62__eol__3.6.3 预防过拟合64__eol__3.7 小结65__eol__3.8 扩展阅读65__eol__第2 篇模型方法__eol__第4 章图嵌入69__eol__4.1 简介70__eol__4.2 简单图的图嵌入71__eol__4.2.1 保留节点共现71__eol__4.2.2 保留结构角色80__eol__4.2.3 保留节点状态83__eol__4.2.4 保留社区结构84__eol__4.3 复杂图的图嵌入86__eol__4.3.1 异质图嵌入87__eol__4.3.2 二分图嵌入89__eol__4.3.3 多维图嵌入90__eol__4.3.4 符号图嵌入91__eol__4.3.5 超图嵌入93__eol__4.3.6 动态图嵌入95__eol__4.4 小结96__eol__4.5 扩展阅读97__eol__第5 章图神经网络99__eol__5.1 简介100__eol__5.2 图神经网络基本框架102__eol__5.2.1 侧重于节点的任务的图神经网络框架102__eol__5.2.2 侧重于图的任务的图神经网络框架103__eol__5.3 图滤波器104__eol__5.3.1 基于谱的图滤波器104__eol__5.3.2 基于空间的图滤波器114__eol__5.4 图池化120__eol__5.4.1 平面图池化120__eol__5.4.2 层次图池化121__eol__5.5 图卷积神经网络的参数学习125__eol__5.5.1 节点分类中的参数学习126__eol__5.5.2 图分类中的参数学习126__eol__5.6 小结127__eol__5.7 扩展阅读128__eol__第6 章图神经网络的健壮性129__eol__6.1 简介130__eol__6.2 图对抗攻击130__eol__6.2.1 图对抗攻击的分类131__eol__6.2.2 白盒攻击132__eol__6.2.3 灰盒攻击135__eol__6.2.4 黑盒攻击139__eol__6.3 图对抗防御142__eol__6.3.1 图对抗训练142__eol__6.3.2 图净化144__eol__6.3.3 图注意力机制144__eol__6.3.4 图结构学习148__eol__6.4 小结149__eol__6.5 扩展阅读149__eol__第7 章可扩展图神经网络151__eol__7.1 简介152__eol__7.2 逐点采样法155__eol__7.3 逐层采样法158__eol__7.4 子图采样法162__eol__7.5 小结164__eol__7.6 扩展阅读164__eol__第8 章复杂图神经网络165__eol__8.1 简介166__eol__8.2 异质图神经网络166__eol__8.3 二分图神经网络168__eol__8.4 多维图神经网络168__eol__8.5 符号图神经网络170__eol__8.6 超图神经网络173__eol__8.7 动态图神经网络174__eol__8.8 小结175__eol__8.9 扩展阅读175__eol__第9 章图上的其他深度模型177__eol__9.1 简介178__eol__9.2 图上的自编码器178__eol__9.3 图上的循环神经网络180__eol__9.4 图上的变分自编码器182__eol__9.4.1 用于节点表示学习的变分自编码器184__eol__9.4.2 用于图生成的变分自编码器184__eol__9.4.3 编码器：推论模型185__eol__9.4.4 解码器: 生成模型186__eol__9.4.5 重建的损失函数186__eol__9.5 图上的生成对抗网络187__eol__9.5.1 用于节点表示学习的生成对抗网络188__eol__9.5.2 用于图生成的生成对抗网络189__eol__9.6 小结191__eol__9.7 扩展阅读191__eol__第3 篇实际应用__eol__第10 章自然语言处理中的图神经网络195__eol__10.1 简介196__eol__10.2 语义角色标注196__eol__10.3 神经机器翻译199__eol__10.4 关系抽取199__eol__10.5 问答系统200__eol__10.5.1 多跳问答任务201__eol__10.5.2 Entity-GCN 202__eol__10.6 图到序列学习203__eol__10.7 知识图谱中的图神经网络205__eol__10.7.1 知识图谱中的图滤波205__eol__10.7.2 知识图谱到简单图的转换206__eol__10.7.3 知识图谱补全207__eol__10.8 小结208__eol__10.9 扩展阅读208__eol__第11 章计算机视觉中的图神经网络209__eol__11.1 简介210__eol__11.2 视觉问答210__eol__11.2.1 图像表示为图211__eol__11.2.2 图像和问题表示为图212__eol__11.3 基于骨架的动作识别214__eol__11.4 图像分类215__eol__11.4.1 零样本图像分类216__eol__11.4.2 少样本图像分类217__eol__11.4.3 多标签图像分类218__eol__11.5 点云学习219__eol__11.6 小结220__eol__11.7 扩展阅读220__eol__第12 章数据挖掘中的图神经网络221__eol__12.1 简介222__eol__12.2 万维网数据挖掘222__eol__12.2.1 社交网络分析222__eol__12.2.2 推荐系统225__eol__12.3 城市数据挖掘229__eol__12.3.1 交通预测229__eol__12.3.2 空气质量预测231__eol__12.4 网络安全数据挖掘231__eol__12.4.1 恶意账户检测231__eol__12.4.2 虚假新闻检测233__eol__12.5 小结234__eol__12.6 扩展阅读234__eol__第13 章生物化学和医疗健康中的__eol__图神经网络235__eol__13.1 简介236__eol__13.2 药物开发与发现236__eol__13.2.1 分子表示学习236__eol__13.2.2 蛋白质相互作用界面预测237__eol__13.2.3 药物–靶标结合亲和力预测239__eol__13.3 药物相似性整合240__eol__13.4 复方药物副作用预测242__eol__13.5 疾病预测244__eol__13.6 小结245__eol__13.7 扩展阅读245__eol__第4 篇前沿进展__eol__第14 章图神经网络的高级方法249__eol__14.1 简介250__eol__14.2 深层图神经