图深度学习从理论到实践京东数据智能部旗下图计算团队基于京东Galileo图深度学习平台编写 pdf下载

图神经网络是人工智能的一个热点方向,从图的视角解读大数据,可以灵活建模复杂的信息交互关

系,吸引大量学者的关注并在多个工业领域得到广泛应用。《图深度学习从理论到实践》由浅入深,全面介绍图神经网络的基础知

识、典型模型方法和应用实践。《图深度学习从理论到实践》不仅包括一般的深度学习基础和图基础知识,还涵盖了图表示学习、

图卷积、图注意力、图序列等典型图网络模型,以京东自研的Galileo平台为代表的图学习框架,以及图神

经网络在电商推荐和流量风控方面的两个典型工业应用。

《图深度学习从理论到实践》既适合对数据挖掘、机器学习方向以及图建模交叉方向感兴趣的高年级本科生和研究生作为教

材使用,也适合互联网电商、金融风控、社交网络分析、药物研发等企业的从业者参考学习。

图神经网络是人工智能的一个热点方向,从图的视角解读大数据,可以灵活建模复杂的信息交互关

系,吸引大量学者的关注并在多个工业领域得到广泛应用。《图深度学习从理论到实践》由浅入深,全面介绍图神经网络的基础知

识、典型模型方法和应用实践。《图深度学习从理论到实践》不仅包括一般的深度学习基础和图基础知识,还涵盖了图表示学习、

图卷积、图注意力、图序列等典型图网络模型,以京东自研的Galileo平台为代表的图学习框架,以及图神

经网络在电商推荐和流量风控方面的两个典型工业应用。

《图深度学习从理论到实践》既适合对数据挖掘、机器学习方向以及图建模交叉方向感兴趣的高年级本科生和研究生作为教

材使用,也适合互联网电商、金融风控、社交网络分析、药物研发等企业的从业者参考学习。

目录

第1章深度学习基础

1.1深度学习与人工智能

1.2感知机与神经网络

1.2.1单层感知机

1.2.2多层感知机

1.3前馈神经网络

1.3.1前馈神经网络的模型

1.3.2前馈神经网络的学习

1.4卷积神经网络

1.4.1图像数据的存储

1.4.2传统图像处理算子

1.4.3卷积

1.4.4池化

1.4.5填充

1.4.6步幅

1.4.7典型的卷积神经网络结构

1.4.8卷积神经网络与多层感知机的差别

1.5深度学习训练的最优化算法

1.6深度学习中的过拟合和欠拟合

1.7本章小结

第2章图基础

2.1图的结构

2.2图的性质

2.3图数据的存储

2.4图与拉普拉斯矩阵

2.5图神经网络简史

2.5.1挑战

2.5.2发展简史

2.6图的任务与应用

2.6.1图的任务

2.6.2图神经网络的应用

2.7本章小结

第3章图表示学习

3.1图表示学习的意义

3.2基于矩阵分解的图表示学习方法

3.3基于随机游走的图表示学习

3.3.1Word2Vec算法

3.3.2DeepWalk

3.3.3Node2Vec

3.3.4随机游走模型的优化策略

3.3.5其他随机游走方法

3.4基于深度学习的图表示学习

3.4.1局域相似度和全局相似度

3.4.2SDNE算法结构图

3.5异质图表示学习

3.6本章小结

| 图深度学习从理论到实践

目录 |

第4章图卷积神经网络

4.1图与图像的差异

4.2传统图信号处理方法

4.3谱域图卷积神经网络

4.3.1谱卷积神经网络

4.3.2切比雪夫网络

4.3.3图卷积神经网络

4.3.4谱域图卷积的特点

4.4空域图卷积神经网络

4.4.1图卷积神经网络空域理解

4.4.2GraphSAGE模型

4.5本章小结

第5章图注意力网络

5.1注意力机制

5.1.1注意力机制的变体

5.1.2注意力机制的优势

5.1.3应用场景

5.2同质图注意力网络

5.2.1图注意力层

5.2.2多头注意力

5.3异质图注意力网络

5.3.1顶点级别注意力

5.3.2语义级别注意力

5.4门控注意力网络

5.5层次图注意力网络

5.5.1视觉关系检测

5.5.2层次图注意力网络模型框架

5.6本章小结

第6章图序列神经网络

6.1传统序列神经网络

6.1.1循环神经网络

6.1.2长短期记忆神经网络

6.1.3门控循环神经网络

6.2门控序列图神经网络

6.3树与图结构的LSTM神经网络

6.3.1非线性结构的LSTM模型

6.3.2GraphLSTM模型

6.4本章小结

第7章图卷积神经网络扩展模型

7.1GCN模型的过平滑问题

7.2层采样加速GCN

7.3关系图卷积神经网络

7.3.1RGCN迭代关系

7.3.2RGCN可学习参数正则化

7.3.3RGCN应用场景

7.4本章小结

第8章图深度学习框架

8.1统一编程范式

8.1.1MPNN

8.1.2NLNN

8.1.3GN

8.2主流框架简介

8.2.1PyG

8.2.2DGL

8.2.3AliGraph

8.3京东图深度学习框架Galileo

8.3.1设计概要

8.3.2图引擎层

8.3.3图训练框架

8.3.4支持算法模型

8.3.5图模型实践

8.4本章小结

第9章图神经网络在推荐场景下的应用

9.1推荐系统的目的与挑战

9.2传统推荐方法

9.3图推荐算法

9.3.1基于图表示学习的推荐方法

9.3.2基于图深度学习的推荐方法

9.4电商业务推荐实践

9.5本章小结

第10章图神经网络在流量风控场景中的应用

10.1背景介绍

10.2广告流量计费模式

10.3广告作弊动机

10.4广告反作弊中的传统图算法

10.5广告反作弊图深度学习方法

10.6本章小结

参考文献

随着互联网技术的高速发展，信息的数据量暴增，人工智能技术不断深入社会的方方面面。图神经网络可以灵活高效地建模大数据中的复杂交互关系，可针对图数据进行高效挖掘，因此成了人工智能领域最重要的分支之一。在学术界，图神经网络

也引起了学者的广泛关注，在计算机视觉、文本处理，以及数据挖掘等多个顶级会议期刊上，图深度学习的相关探究工作有了明显增长。现实世界的许多问题都可以用图结构数据刻画，因而图神经网络的工业应用场景也非常丰富，如电商广告推荐、金融风控、社交短视频、自然语言处理、药物研发等。

京东自研的图计算平台（Galileo）将图神经网络技术落

实到具体业务，团队也积累了对图深度学习的浅显认知与实践经验。以此为契机，期望通过本书，能将我们在相关领域的实践经验分享给大家。

本书共分10章。第1、2章主要介绍深度学习的基础和图数据的特点，帮助初学者

理解图神经网络是深度学习在图结构数据上的重要研究方向。由浅入深，首先以经典的多层感知机为基准

，介绍深度学习的基础，然后介绍图

数据的特点，以及图神经网络的发展简史和应用场景，帮助未接触深度学习和图数据的读者入门。第3~7章主要介绍图深度学习研究和实践中涌现出的一些典型算法。介绍

图表示学习，即如何将图数据进行向量化建模，是图数据建模的基石； 还介绍图卷积神经网络，讲述谱域神经网络和空域神经网络。然后介绍较为热门的图注意力网络和序列图神经网络； 考虑到经典图神经网络算法，在实际工业级网络中并不能工作得很好，存在过平滑、计算复杂度高、扩展性较差，以及难以适用于异质图等问题，对图卷积神经网络扩展模型进行介绍。 第8~10章介绍图神经网络的实战，先从工程角度出发，介绍业界在图模型通用性、计算平台构建上的贡献，并详细介绍京东的Galileo图神经框架； 然后从真实业务场景出发，介绍图神经网络在推荐系统和以流量风控为代表的京东互联网业务

中的实战场景，帮助读者理解图神经网络解决实际问题的过程。

本书由京东数据智能部图计算团队成员

姚普、陈晓宇、刘健、胡俊琪、张维编写。在

写作过程中得到京东零售数据算法通道委员会颜伟鹏、包勇军、朱小坤等领导的

指导和支持，

书中的大量插图得到赵森的大力支持，算法的代码实现得到杜华的全力支持。本书初稿完成后，

赵夕炜、杨庆广、刘雅、刘玉家、郭锦荣、白涛、王三鹏、纪厚业等分别审阅全部或部分章节。

诚挚感谢为本书写作和出版付出努力的每一位同事。

由于作者水平有限，书中难免会出现一些错误或者不当的地方，欢迎各位专家和读者批评指正。书中算法实现

可从https://github.com/JDGalileo/galileo、https://gitee.com/jdplatformopensource/galileo网址下载。

如果您有更多的宝贵意见，也欢迎发送邮件至yaoweipu@126.com，期待得到您的真挚反馈。