图机器学习提供了一组新的工具,用于处理网络数据,并且可以充分发挥实体之间关系的作用,执行预测、建模和分析任务。
本书首先简要介绍了图论和图机器学习,以帮助读者了解它们的潜力。然后,讨论了图表示学习的主要机器学习模型,包括它们的目的、工作方式以及如何在有监督和无监督学习应用中实现。读者将跟随本书构建一个完整的机器学习管道,包括数据处理、模型训练和预测,以充分利用图数据的潜力。接下来,读者将被引入真实世界的场景,例如使用图从金融交易系统和社交网络中提取数据、执行文本分析和自然语言处理。最后,读者将学习如何构建和扩展用于图分析的数据驱动应用程序以存储、查询和处理网络信息。
通读完本书之后,读者将能够掌握图论的基本概念以及用于构建成功的机器学习应用程序的大多数算法和技术。
本书读者
本书适用于希望利用嵌入在数据点之间的连接和关系中的信息,解开隐藏结构并利用拓扑信息来提高分析和模型性能的数据分析师、图开发人员、图分析师和图专业人员。
本书对于想要构建机器学习驱动的图数据库的数据科学家和机器学习开发人员也很有用。当然,读者需要对图数据库和图数据有初级的理解。要充分利用本书,读者可能还需要有关Python编程和机器学习的中级知识。
内容介绍
本书分为3篇,共10章,具体介绍如下。
第1篇“图机器学习简介”,包括第1章和第2章。
第1章“图的基础知识”,通过使用networkx Python库介绍图论中的一些基本概念。
第2章“图机器学习概述”,阐释了图机器学习和图嵌入技术的主要概念。
第2篇“基于图的机器学习”,包括第3章~第5章。
第3章“无监督图学习”,详细介绍了无监督图嵌入方法。
第4章“有监督图学习”,详细介绍了有监督图嵌入方法。
第5章“使用图机器学习技术解决问题”,讨论了基于图的最常见的机器学习任务。
第3篇“图机器学习的高级应用”,包括第6章~第10章。
第6章“社交网络图”,演示了机器学习算法在社交网络数据上的应用。
第7章“使用图进行文本分析和自然语言处理”,演示了机器学习算法在自然语言处理任务中的应用。
第8章“信用卡交易的图分析”,演示了机器学习算法在信用卡欺诈交易检测中的应用。
第9章“构建数据驱动的图应用程序”,探讨了一些对处理大型图有用的技术和技巧。
第10章“图的新趋势”,展望了图机器学习中的一些新趋势(算法和应用)。