第 1章　引論 1
1.1　設計動機　1
1.1.1　捲積神經網絡　1
1.1.2　圖嵌入　3
1.2　相關工作　3
第　2章 數學和圖論基礎　7
2.1　綫性代數　7
2.1.1　基本概念　7
2.1.2　特徵分解　10
2.1.3　奇異值分解　11
2.2　概率論　12
2.2.1　基本概念和公式　12
2.2.2　概率分布　14
2.3　圖論　15
2.3.1　基本概念　16
2.3.2　圖的代數錶示　16
第3章　神經網絡基礎　19
3.1　神經元　19
3.2　後嚮傳播　22
3.3　神經網絡　24
第4章　基礎圖神經網絡　27
4.1　概述　27
4.2　模型介紹　28
4.3　局限性　30
第5章　捲積圖神經網絡　33
5.1　基於譜分解的方法　33
5.1.1　Spectral Network　33
5.1.2　ChebNet　34
5.1.3　GCN　35
5.1.4　AGCN　36
5.2　基於空間結構的方法　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　循環圖神經網絡　47
6.1　GGNN　47
6.2　Tree-LSTM　49
6.3　Graph-LSTM　50
6.4　S-LSTM　51
第7章　圖注意力網絡　55
7.1　GAT　55
7.2　GaAN　57
第8章　圖殘差網絡　59
8.1　Highway GCN　59
8.2　Jump Knowledge Network　60
8.3　DeepGCN　62
第9章　不同圖類型的模型變體　65
9.1　有嚮圖　65
9.2　異構圖　66
9.3　帶有邊信息的圖　68
9.4　動態圖　70
9.5　多維圖　72
第　10章 高級訓練方法　75
10.1　采樣　75
10.2　層級池化　78
10.3　數據增廣　80
10.4　無監督訓練　80
第　11章 通用框架　83
11.1　MPNN　83
11.2　NLNN　85
11.3　GN　87
第　12章 結構化場景應用　93
12.1　物理學　93
12.2　化學和生物學　95
12.2.1　分子指紋　95
12.2.2　化學反應預測　97
12.2.3　藥物推薦　97
12.2.4　蛋白質和分子交互預測　98
12.3　知識圖譜　99
12.3.1　知識圖譜補全　99
12.3.2　歸納式知識圖譜嵌入　100
12.3.3　知識圖譜對齊　101
12.4　推薦係統　102
12.4.1　矩陣補全　103
12.4.2　社交推薦　104
第　13章 非結構化場景應用　105
13.1　圖像領域　105
13.1.1　圖像分類　105
13.1.2　視覺推理　108
13.1.3　語義分割　109
13.2　文本領域　110
13.2.1　文本分類　110
13.2.2　序列標注　111
13.2.3　神經機器翻譯　112
13.2.4　信息抽取　113
13.2.5　事實驗證　114
13.2.6　其他應用　116
第　14章 其他場景應用　117
14.1　生成模型　117
14.2　組閤優化　119
第　15章 開放資源　121
15.1　數據集　121
15.2　代碼實現　123
第　16章 總結　125
16.1　淺層結構　125
16.2　動態圖　126
16.3　非結構化場景　126
16.4　可擴展性　126
參考文獻　129
作者簡介　148
· · · · · · (收起)