|初学者友好，麦吉尔大学助理教授新书《图表示学习》开放下载
机器之心报道
编辑：小舟、杜伟
这本书的电子修订版以及印刷版有望今年年底推出 ， 先来一睹为快吧！
近年来 ， 图表示学习的研究激增 ， 包括深度图嵌入（deep graph embeddings）技术、卷积神经网络对图结构数据的泛化以及受置信传播启发的神经信息传递方法 。
与此同时 ， 图表示学习的这些进步促成了许多领域的最新成果 ， 包括化学合成、3D 视觉、推荐系统、问题解答和社交网络分析等 。
近日 ， 加拿大麦吉尔大学计算机科学助理教授 William Hamilton 在推特宣布他的新书《图表示学习》（Graph Representation Learning）初稿可以免费在线获取了 。
本文插图
据 William 介绍 ， 这本书全面概述了图神经网络、节点嵌入、图卷积、图的深度生成模型以及相关的历史背景和传统方法 。
有网友在阅读前两章内容后认为 ， 书中的解释非常清晰和直观 ， 值得与同事分享！
本文插图
另有网友表示 ， 这本书特别适用于图学习初学者 。
本文插图
章节介绍
该书首先讨论了图表示学习的目标以及图理论和网络分析的主要方法论基础 。 之后 ， 作者介绍并回顾了学习节点嵌入的方法 ， 包括基于随机游走（random-walk）的方法和知识图谱的应用 。
接下来 ， 作者对图神经网络形式（formalism）进行了综合介绍 ， 该形式已经成为使用图数据进行深度学习的主要且快速增长的模型范式 。
【|初学者友好，麦吉尔大学助理教授新书《图表示学习》开放下载】最后 ， 书中总结了深度生成模型的最新进展 ， 这些模型虽然提出的时间不久 ， 但在图表示学习领域发展迅速 。
引言
本章首先介绍了图这种数据结构 ， 然后介绍了基于图的机器学习 。
本文插图
背景和传统方法
本章提供了一些方法论背景 ， 介绍了在现代深度学习方法问世以前 ， 基于图的机器学习使用了哪些方法 。 作者首先介绍了基本的图统计、核心方法以及它们在节点和图分类任务中的使用 。 然后作者在书中介绍并探讨了用于测量节点邻域之间重叠的方法 ， 最后简要介绍了使用拉普拉斯（Laplacians）进行光谱聚类 。
本文插图
节点嵌入
本书第一部分主要介绍了节点嵌入的内容 。
第三章：邻域重建方法
在本章中 ， 作者概述了简单图和加权图的节点嵌入方法 。
本文插图
本文插图
第四章：多关系数据和知识图谱
在本章中 ， 作者介绍了用于多关系图的类比嵌入方法 ， 同时还简要介绍了知识图谱的相关内容 。
本文插图
图神经网络
本书第一部分探讨了学习图中节点的低维嵌入的方法 ， 第二部分则重点介绍了更加复杂的编码器模型 。
第五章：图神经网络模型
在本章中 ， 作者看到开发用于图结构数据的复杂编码器的主要挑战在于 ， 通常的深度学习工具并不适用 。 图神经网络（GNN）作为在图数据上定义深度神经网络的通用框架 ， 作者对其基本内容展开了详细介绍 。
推荐阅读
- 趣投稿|Python初学者请注意！别这样直接运行python命令
- |初学者指南：什么是算法？11行伪代码给你讲明白
- 相机发烧|3500元以内的微单相机好用吗？值得初学者入手吗？
- 虚拟现实|高德地图上线AR驾车导航，对新手司机更友好
- 深圳中成电商|中成电商助力初学者从零开始做电商
- 金融|一文盘点加密货币友好型银行：较2018年增加3倍 多为中小型银行
- 行业互联网|安吉尔携手国美探求净水产品销售新未来