圖機器學習 Graph Machine Learning: Take graph data to the next level by applying machine learning techniques and algorithms

目錄

第1篇 圖機器學習簡介

第1章 圖的基礎知識 3

1.1 技術要求 3

1.2 圖的定義 4

1.3 圖的類型 8

1.3.1 有向圖 8

1.3.2 多重圖 10

1.3.3 加權圖 11

1.3.4 二分圖 12

1.4 圖的表示方式 14

1.4.1 鄰接矩陣 14

1.4.2 邊列表 16

1.5 繪制圖 17

1.5.1 networkx 17

1.5.2 Gephi 19

1.6 圖屬性 24

1.7 集成指標 24

1.7.1 距離、路徑和最短路徑 25

1.7.2 特徵路徑長度 26

1.7.3 全局和局部效率 26

1.8 隔離指標 28

1.8.1 聚類系數 28

1.8.2 傳遞性 29

1.8.3 模塊度 30

1.9 中心性指標 30

1.9.1 度中心性 30

1.9.2 接近度中心性 31

1.9.3 中介中心性 31

1.10 彈性指標 33

1.11 圖和網絡模型示例 34

1.11.1 簡單的圖的示例 34

1.11.2 生成圖模型 36

1.11.3 Watts-Strogatz（1998） 36

1.11.4 Barabási-Albert（1999） 36

1.12 基準數據集和存儲庫 38

1.12.1 網絡數據存儲庫 38

1.12.2 斯坦福網絡分析平臺 43

1.12.3 開放圖基準 44

1.13 處理大圖 44

1.14 小結 46

第2章 圖機器學習概述 47

2.1 技術要求 47

2.2 理解在圖上執行的機器學習 48

2.2.1 機器學習的基本原理 48

2.2.2 在圖上執行機器學習的優勢 50

2.3 泛化的圖嵌入問題 52

2.4 圖嵌入機器學習算法的分類 58

2.4.1 編碼器和解碼器架構 58

2.4.2 嵌入算法的分類 59

2.4.3 嵌入算法的有監督和無監督版本 60

2.5 小結 61

第2篇 基於圖的機器學習

第3章 無監督圖學習 65

3.1 技術要求 65

3.2 無監督圖嵌入算法的層次結構 66

3.3 淺層嵌入方法 67

3.4 矩陣分解 67

3.4.1 圖分解 68

3.4.2 高階鄰近保留嵌入 69

3.4.3 具有全局結構信息的圖表示 71

3.5 Skip-Gram模型 73

3.5.1 DeepWalk算法 75

3.5.2 Node2Vec算法 77

3.5.3 Edge2Vec算法 79

3.5.4 Graph2Vec算法 80

3.6 自動編碼器 83

3.6.1 TensorFlow和Keras—強大的組合 85

3.6.2 第一個自動編碼器 86

3.6.3 去噪自動編碼器 90

3.6.4 圖自動編碼器 92

3.7 圖神經網絡 94

3.7.1 圖神經網絡的變體 95

3.7.2 譜圖捲積 96

3.7.3 空間圖捲積 99

3.7.4 實踐中的圖捲積 100

3.8 小結 102

第4章 有監督圖學習 105

4.1 技術要求 105

4.2 有監督圖嵌入算法的層次結構 106

4.3 基於特徵的方法 107

4.4 淺層嵌入方法 110

4.4.1 標簽傳播算法 110

4.4.2 標簽擴展算法 115

4.5 圖正則化方法 118

4.5.1 流形正則化和半監督嵌入 118

4.5.2 神經圖學習 120

4.5.3 Planetoid 128

4.6 圖捲積神經網絡 130

4.6.1 使用GCN進行圖分類 130

4.6.2 使用GraphSAGE進行節點分類 132

4.7 小結 134

第5章 使用圖機器學習技術解決問題 135

5.1 技術要求 135

5.2 預測圖中缺失的鏈接 136

5.3 基於相似性的方法 137

5.3.1 基於索引的方法 137

5.3.2 基於社區的方法 138

5.4 基於嵌入的方法 140

5.5 檢測有意義的結構 144

5.5.1 基於嵌入的社區檢測 144

5.5.2 譜方法和矩陣分解 146

5.5.3 概率模型 147

5.5.4 成本函數最小化 147

5.6 檢測圖相似性和圖匹配 149

5.6.1 基於圖嵌入的方法 151

5.6.2 基於圖核的方法 151

5.6.3 基於圖神經網絡的方法 152

5.6.4 應用 152

5.7 小結 153

第3篇 圖機器學習的高級應用

第6章 社交網絡圖 157

6.1 技術要求 157

6.2 數據集概述 158

6.2.1 數據集下載 158

6.2.2 使用networkx加載數據集 159

6.3 網絡拓撲和社區檢測 161

6.3.1 拓撲概述 161

6.3.2 節點中心性 162

6.3.3 社區檢測 165

6.4 有監督學習和無監督學習任務 166

6.4.1 任務準備 167

6.4.2 基於node2vec的鏈接預測 168

6.4.3 基於GraphSAGE的鏈接預測 169

6.4.4 人工設計特徵以執行鏈接預測 174

6.4.5 結果匯總 175

6.5 小結 176

第7章 使用圖進行文本分析和自然語言處理 177

7.1 技術要求 177

7.2 提供數據集的快速概覽 178

7.3 自然語言處理的主要概念和工具 179

7.3.1 文本分割和分詞 181

7.3.2 詞性標記器 181

7.3.3 命名實體識別 182

7.3.4 依存解析器 182

7.3.5 詞形還原器 183

7.4 從文檔語料庫創建圖 184

7.4.1 知識圖 184

7.4.2 二分圖 186

7.4.3 實體-實體圖 190

7.4.4 註意維度—過濾圖 191

7.4.5 分析圖 193

7.4.6 社區檢測 195

7.4.7 使用Node2Vec算法 196

7.4.8 文檔-文檔圖 197

7.4.9 主題-主題圖 200

7.5 構建文檔主題分類器 203

7.5.1 淺層學習方法 204

7.5.2 圖神經網絡 207

7.6 小結 215

第8章 信用卡交易的圖分析 217

8.1 技術要求 217

8.2 數據集概覽 218

8.3 加載數據集並構建圖 219

8.3.1 加載數據集 219

8.3.2 二分法 220

8.3.3 三分法 221

8.3.4 探索已生成的圖 223

8.4 網絡拓撲和社區檢測 224

8.4.1 網絡拓撲結構 224

8.4.2 社區檢測 228

8.5 有監督和無監督欺詐檢測 233

8.5.1 欺詐交易識別的有監督方法 234

8.5.2 欺詐交易識別的無監督方法 236

8.6 小結 238

第9章 構建數據驅動的圖應用程序 239

9.1 技術要求 239

9.2 Lambda架構概述 240

9.3 用於圖驅動應用程序的Lambda架構 242

9.3.1 圖處理引擎 243

9.3.2 圖查詢層 246

9.3.3 Neo4j 246

9.3.4 JanusGraph 248

9.3.5 在Neo4j和GraphX之間進行選擇 251

9.4 小結 252

第10章 圖的新趨勢 253

10.1 技術要求 253

10.2 瞭解圖的數據增強技術 253

10.2.1 採樣策略 254

10.2.2 探索數據增強技術 254

10.3 瞭解拓撲數據分析 255

10.4 拓撲機器學習 257

10.5 圖論在新領域的應用 258

10.5.1 圖機器學習和神經科學 258

10.5.2 圖論與化學和生物學 260

10.5.3 圖機器學習和電腦視覺 260

10.5.4 圖像分類與場景理解 260

10.5.5 形狀分析 261

10.5.6 推薦系統 261

10.6 小結 262