图机器学习      石川 杨成 王啸 张志强 编著

                本书介绍图机器学习的核心理论与通识知识，可以作为高等院校人工智能、计算机科学
	及大数据专业的专业基础课程教材。本教材以“夯实图论基础、掌握深度方法、注重算法实践、洞
	察前沿应用”为原则，为计算机及人工智能相关专业学生深入学习图数据分析和深度学习技术奠定
	基础。本教材将系统讲授图数据的基本概念和表示方法、从传统图特征工程到图嵌入的发展脉络，
	重点剖析以图神经网络（GNN）为代表的现代图学习技术及其在异质图、可信图学习等前沿方向
	的演进。书中以 Python 语言及主流图学习框架为例，通过大量代码实例和实战练习讲授图模型的
	搭建与优化技术。本教材通过系统全面的理论介绍（涵盖谱图理论与空间域方法）与丰富详实的程
	序实践（包括推荐系统、金融风控、科学智能等应用案例）相结合，帮助学生建立处理关联数据的
	结构化思维，构建完整的图机器学习知识体系，掌握从算法原理到落地应用的核心能力。

            北京：清华大学出版社
            (ISBN) 9787302705758

            [前言] [样章]  购书链接①  购书链接②  购书链接③
            课程大作业 讲义及Slides
            
 

章节介绍

• 图机器学习的基本概念与表示基础
  • 第1章 图机器学习概论：介绍图数据的基本形态、图机器学习的发展脉络以及主要任务。
    • 1.1 图基础知识与类型
    • 1.2 图机器学习基本概念与任务
    • 1.3 图机器学习的发展历程（从图论到图神经网络）
  • 第2章 基于特征工程的图机器学习：介绍传统图学习中基于人工定义特征的提取方法。
    • 2.1 节点级特征（中心性、聚类系数等）
    • 2.2 边级特征（距离、邻域重合等）
    • 2.3 图级特征（图划分、子图特征、核方法）
  • 第3章 图嵌入：介绍将图数据映射到低维向量空间的表示学习方法。
    • 3.1 图嵌入基本概念
    • 3.2 基于流形的图嵌入模型
    • 3.3 结构信息保持的图嵌入（邻域、角色、社区）
    • 3.4 侧信息保持的图嵌入（属性、标签）

• 图神经网络核心模型与方法
  • 第4章 图神经网络初步：介绍图神经网络（GNN）的通用框架、核心算子及经典模型。
    • 4.1 图神经网络通用框架与核心算子
    • 4.2 消息传递与图池化算子设计
    • 4.3 经典图神经网络（GCN, GraphSAGE, GAT, GIN）
  • 第5章 图神经网络进阶：介绍提升GNN性能的优化策略，涵盖数据、架构及训练层面。
    • 5.1 数据优化（图结构、特征与标签）
    • 5.2 架构优化（信息传递、采样与池化）
    • 5.3 训练优化（自监督学习与课程学习）

• 图机器学习的进阶方法和前沿技术
  • 第6章 图机器学习前沿概述：概述图学习在理论基础、复杂图结构及可信学习方面的前沿进展。
    • 6.1 图学习基础理论（谱图、黎曼空间）
    • 6.2 复杂图学习（异质图、动态图、超图）
    • 6.3 可信图学习（公平性、鲁棒性、可解释性）
    • 6.4 图生成与图基础模型
  • 第7章 异质图机器学习：专门介绍处理包含多种节点和边类型的异质图的方法。
    • 7.1 异质图基本概念
    • 7.2 异质图嵌入表示（链路、路径、子图）
    • 7.3 异质图神经网络（半监督与无监督）
  • 第8章 谱域图机器学习：从信号处理角度介绍基于谱图理论的图学习方法。
    • 8.1 谱图基础与图傅里叶变换
    • 8.2 基于谱图滤波器的GNN设计
    • 8.3 谱图对比学习
  • 第9章 可信图神经网络：探讨图神经网络在安全性、公平性和可解释性方面的挑战与对策。
    • 9.1 图神经网络的鲁棒性与对抗攻击
    • 9.2 图神经网络的公平性
    • 9.3 分布外泛化
    • 9.4 图神经网络可解释性

• 图机器学习的平台技术和实战应用
  • 第10章 图基础模型：介绍大模型时代下图学习的发展方向，包括与LLM的结合。
    • 10.1 图基础模型定义与特性
    • 10.2 技术途径（基于GNN、LLM及融合模型）
    • 10.3 扩展定律与未来挑战
  • 第11章 图机器学习平台：介绍支持大规模图计算与学习的系统平台与架构。
    • 11.1 机器学习平台与分布式计算
    • 11.2 图机器学习的计算特性与系统挑战
    • 11.3 工业级图机器学习系统案例
  • 第12章 图机器学习实践：通过代码实战讲解图数据的处理与经典模型的实现。
    • 12.1 图数据处理与采样实践
    • 12.2 经典模型实现（GCN, GraphSAGE, HAN等）
    • 12.3 常用图学习库的使用
  • 第13章 图机器学习在推荐中的应用：介绍图技术在推荐系统各环节的应用实例。
    • 13.1 推荐系统与图结合的挑战
    • 13.2 协同过滤与社交网络推荐
    • 13.3 知识图谱与异质图推荐
  • 第14章 图机器学习在风控中的应用：介绍图技术在金融与内容安全领域的实战应用。
    • 14.1 风控场景数据特性
    • 14.2 金融风控（欺诈检测、团伙挖掘）
    • 14.3 内容风控（虚假新闻、黑产检测）
  • 第15章 图机器学习在科学中的应用：介绍“AI for Science”背景下图学习在自然科学领域的突破。
    • 15.1 科学智能概述
    • 15.2 生命科学应用（药物研发、疾病诊断）
    • 15.3 电路设计与芯片验证
    • 15.4 材料、气象与物理学应用

教学建议

• 教学内容
  
  

• 教学时间

  每周1-2次，每次两学时进行课堂讲授。课堂讲授包括知识讲解，课堂作业、讨论与答疑。
  布置2-3次课外实践作业，涵盖Python语言的使用，图数据预处理方法。
  以用图来解决真实的问题作为大作业，组织学生组成项目团队解决实际问题，并选出优秀队伍课堂讲解。

• 课件与资源

  本书提供课件和章节代码资料，供以本书为教材的老师们参考使用。
  需要的老师可以通过主页底部邮箱与我们联系、交流。也欢迎各位批评和指正。

Contact us: shichuan (at) bupt.edu.cn