第 1 章 概述 1
1.1 基本概念 1
1.1.1 图的定义和属性 1
1.1.2 复杂图 3
1.1.3 图上的计算任务 5
1.2 图神经网络的发展 6
1.2.1 图表示学习的历史 6
1.2.2 图神经网络的前沿 7
1.3 本书的组织结构 8
第 2 章 基础图神经网络 10
2.1 引言 10
2.2 图卷积网络 11
2.2.1 概述 11
2.2.2 GCN 模型 12
2.3 归纳式图卷积网络 13
2.3.1 概述 14
2.3.2 GraphSAGE 模型 14
2.4 图注意力网络 16
2.4.1 概述 17
2.4.2 GAT 模型 17
2.5 异质图注意力网络 19
2.5.1 概述 19
2.5.2 HAN 模型 19
第 3 章 同质图神经网络 23
3.1 引言 23
3.2 自适应多通道图卷积网络 24
3.2.1 概述 24
3.2.2 实验观察 24
3.2.3 AM-GCN 模型 25
3.2.4 实验 30
3.3 融合高低频信息的图卷积网络 32
3.3.1 概述 32
3.3.2 实验观察 32
3.3.3 FAGCN 模型 33
3.3.4 实验 35
3.4 图结构估计神经网络 37
3.4.1 概述 37
3.4.2 GEM 模型 37
3.4.3 实验 43
3.5 基于统一优化框架的图神经网络 44
3.5.1 概述 44
3.5.2 预备知识 45
3.5.3 GNN-LF/HF 模型 46
3.5.4 实验 50
3.6 本章小结 51
3.7 扩展阅读 51
第 4 章 异质图神经网络 53
4.1 引言 53
4.2 异质图传播网络54
4.2.1 概述 54
4.2.2 HPN 模型 55
4.2.3 实验 58
4.3 基于距离编码的异质图神经网络 60
4.3.1 概述 60
4.3.2 DHN 模型 61
4.3.3 实验 64
4.4 基于协同对比学习的自监督异质图神经网络 66
4.4.1 概述 66
4.4.2 HeCo 模型 66
4.4.3 实验 71
4.5 本章小结 73
4.6 扩展阅读 74
第 5 章 动态图神经网络 75
5.1 引言 75
5.2 基于微观和宏观动态性的图表示学习 75
5.2.1 概述 75
5.2.2 M2DNE 模型 76
5.2.3 实验 79
5.3 基于异质霍克斯过程的动态异质图表示学习 81
5.3.1 概述 81
5.3.2 HPGE 模型 82
5.3.3 实验 85
5.4 基于动态元路径的时序异质图神经网络 87
5.4.1 概述 87
5.4.2 DyMGNN 模型 88
5.4.3 实验 91
5.5 本章小结 93
5.6 扩展阅读 93
第 6 章 双曲图神经网络 94
6.1 引言 94
6.2 双曲图注意力网络 95
6.2.1 概述 95
6.2.2 HAT 模型 95
6.2.3 实验 99
6.3 洛伦兹图卷积网络 101
6.3.1 概述 101
6.3.2 LGCN 模型 101
6.3.3 实验 104
6.4 双曲异质图表示 106
6.4.1 概述 106
6.4.2 HHNE 模型 107
6.4.3 实验 109
6.5 本章小结 112
6.6 扩展阅读 112
第 7 章 图神经网络的知识蒸馏 113
7.1 引言 113
7.2 图神经网络的先验知识蒸馏 114
7.2.1 概述 114
7.2.2 CPF 框架 114
7.2.3 实验 117
7.3 温度自适应的图神经网络知识蒸馏 119
7.3.1 概述 119
7.3.2 LTD 框架 120
7.3.3 实验 123
7.4 图神经网络的无数据对抗知识蒸馏 124
7.4.1 概述 124
7.4.2 DFAD-GNN 框架 124
7.4.3 实验 127
7.5 本章小结 129
7.6 扩展阅读 130
第 8 章 图神经网络平台和实践 131
8.1 引言 131
8.2 基础知识 132
8.2.1 深度学习平台 132
8.2.2 图神经网络平台 136
8.2.3 GammaGL 平台 139
8.3 图神经网络在 GammaGL 上的实践 142
8.3.1 创建自己的图 142
8.3.2 创建消息传递网络 144
8.3.3 高级小批量 146
8.3.4 GIN 实践 146
8.3.5 GraphSAGE 实践 148
8.3.6 HAN 实践 151
8.4 本章小结 153
第 9 章 未来方向和总结 154
9.1 未来方向 154
9.1.1 自监督学习 154
9.1.2 鲁棒性 154
9.1.3 可解释性 155
9.1.4 公平性 156
9.1.5 自然科学应用 156
9.2 总结 157
参考文献 159
