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、路徑和短路徑 25
1.7.2 特征路徑長度 26
1.7.3 全局和局部效率 26
1.8 隔離指標 28
1.8.1 聚類繫數 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 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 譜圖卷積 96
3.7.3 空間圖卷積 99
3.7.4 實踐中的圖卷積 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 基於特征的方法 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 圖卷積神經網絡 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 人工設計特征以執行鏈接預測 174
6.4.5 結果彙總 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 注意維度—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 了解圖的數據增強技術 253
10.2.1 采樣策略 254
10.2.2 探索數據增強技術 254
10.3 了解拓撲數據分析 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 圖機器學習和計算機視覺 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 推薦繫統 261
10.6 小結 262

圖機器學習提供了一組新的工具，用於處理網絡數據，並且可以充分發揮實體之間關繫的作用，執行預測、建模和分析任務。
本書首先簡要介紹了圖論和圖機器學習，以幫助讀者了解它們的潛力。然後，討論了圖表示學習的主要機器學習模型，包括它們的目的、工作方式以及如何在有監督和無監督學習應用中實現。讀者將跟隨本書構建一個完整的機器學習管道，包括數據處理、模型訓練和預測，以充分利用圖數據的潛力。接下來，讀者將被引入真實世界的場景，例如使用圖從金融交易繫統和社交網絡中提取數據、執行文本分析和自然語言處理。後，讀者將學習如何構建和擴展用於圖分析的數據驅動應用程序以存儲、查詢和處理網絡信息。
通讀完本書之後，讀者將能夠掌握圖論的基本概念以及用於構建成功的機器學習應用程序的大多數算法和技術。
本書讀者
本書適用於希望利用嵌入在數據點之間的連接和關繫中的信息，解開隱藏結構並利用拓撲信息來提高分析和模型性能的數據分析師、圖開發人員、圖分析師和圖專業人員。
本書對於想要構建機器學習驅動的圖數據庫的數據科學家和機器學習開發人員也很有用。當然，讀者需要對圖數據庫和圖數據有初級的理解。要充分利用本書，讀者可能還需要有關Python編程和機器學習的中級知識。
內容介紹
本書分為3篇，共10章，具體介紹如下。
第1篇“圖機器學習簡介”，包括第1章和第2章。
第1章“圖的基礎知識”，通過使用networkx Python庫介紹圖論中的一些基本概念。
第2章“圖機器學習概述”，闡釋了圖機器學習和圖嵌入技術的主要概念。
第2篇“基於圖的機器學習”，包括第3章～第5章。
第3章“無監督圖學習”，詳細介紹了無監督圖嵌入方法。
第4章“有監督圖學習”，詳細介紹了有監督圖嵌入方法。
第5章“使用圖機器學習技術解決問題”，討論了基於圖的常見的機器學習任務。
第3篇“圖機器學習的高級應用”，包括第6章～第10章。
第6章“社交網絡圖”，演示了機器學習算法在社交網絡數據上的應用。
第7章“使用圖進行文本分析和自然語言處理”，演示了機器學習算法在自然語言處理任務中的應用。
第8章“信用卡交易的圖分析”，演示了機器學習算法在信用卡欺詐交易檢測中的應用。
第9章“構建數據驅動的圖應用程序”，探討了一些對處理大型圖有用的技術和技巧。
第10章“圖的新趨勢”，展望了圖機器學習中的一些新趨勢（算法和應用）。