机读格式显示(MARC)

• 000 01484nam0 2200325 450

• 001 0000748832

• 005 20211120102700.0

• 010 __ |a 978-7-121-41077-2 |d CNY109.00

• 099 __ |a CAL 012021071572

• 100 __ |a 20210624d2021 em y0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 图表示学习 |A tu biao shi xue xi |d = Graph representation learning |f (美) William Hamilton著 |g AI TIME译 |z eng

• 210 __ |a 北京 |c 中国工业出版社 |d 2021

• 215 __ |a 191页 |c 图 (部分彩图) |d 24cm

• 305 __ |a 据2020年英文版译出

• 306 __ |a 本书中文简体版权经由锐拓传媒 (Email.copyrightgrightol.com) 授权电于工业出版社, 专有版权受法律保护。

• 314 __ |a 责任者Hamilton规范汉译姓: 汉密尔顿

• 320 __ |a 有书目

• 330 __ |a 本书提供了一份关于图表示学习的综述。首先，本书讨论图表示学习的目标及图论和网络分析的关键方法论。然后，本书介绍并回顾了学习节点嵌入的方法，包括基于随机游走的方法以及在知识图谱上的应用。再后，本书对高度成功的图神经网络（ Graph Neural Network， GNN）进行了技术上的综合介绍， GNN已成为图数据深度学习领域占主导地位且迅速发展的范式。最后，本书总结了针对图的深度生成模型的最新进展，这是图表示学习新生但发展迅速的子集。

• 500 10 |a Graph representation learning |m Chinese

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a TP181 |v 5

• 701 _1 |a 汉密尔顿 |A han mi er dun |g (Hamilton, William) |4 著

• 712 02 |a AI TIME |A Ai Time |4 译

• 801 _0 |a CN |b TJDX |c 20210624

• 905 __ |a SCNU |f TP181/0050

• 920 __ |a 242430 |z 1