基于信息增强的图神经网络学习方法研究

本书深入剖析了图神经网络领域所面临的两大核心挑战：深度加深模型退化和监督信息过度依赖。针对这两大挑战，本书提出了一系列解决思路，涵盖模型结构设计、训练策略优化等方面的内容。全书共7章，第1章主要介绍了图神经网络研究的背景与意义，阐述了近年来国内外网络表示学习与图神经网络的研究现状，分析了图神经网络当前面临的挑战及其主要问题等；第2章主要对图神经网络进行概要论述，包括基础的理论、典型的模型方法及应用；第3章针对图神经网络在节点聚合过程中面临的节点邻域混杂的问题，提出了一种基于混合阶的图神经网络模型；第4章针对图神经网络在节点交互过程中面临的全局结构信息缺失问题，提出了一种基于拓扑结构自适应的图神经网络模型；第5章针对自监督信息缺失且包含噪声的问题，提出了一种图结构与节点属性联合学习的变分图自编码器模型；第6章针对节点自监督信息贡献不做区分的问题，提出了一种基于注意力机制的图对比学习模型；第7章总结全书并对图神经网络可能的研究方向进行展望。 本书可供从事人工智能、数据挖掘、机器学习及网络数据分析等相关领域的科研及工程人员参考，也可作为高等院校计算机、人工智能等专业本科生与研究生的学习参考书。

王杰，博士，太原科技大学计算机科学与技术学院讲师，主要研究方向为数据挖掘与机器学习，2022年6月毕业于山西大学计算机与信息技术学院。近年来，主持国家自然科学基金青年项目1项，山西省基础研究计划青年项目1项，参与科技部"科技创新 2030—新一代人工智能”重大项目1项、国家自然科学基金重点项目/联合基金项目1项等。先后在《IEEE Transactions on Neural Networks and Learning Systems》、《Pattern Recognition》、《Information Sciences》等国内外重要学术期刊发表论文多篇，获ACM太原分会2022年度新星奖。