机读格式显示(MARC)

• 000 01330nam0 2200289 450

• 001 0000232307

• 005 20230721202900.0

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

• 100 __ |a 20210622d2021 em y0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a ak z 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 电子工业出版社 |d 2021.5

• 215 __ |a xiv, 191页 |c 图 |d 24cm

• 306 __ |a 本书中文简体版权经由锐拓传媒授权电子工业出版社

• 314 __ |a 责任者规范汉译姓: 汉密尔顿

• 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。

• 333 __ |a 网络技术人员

• 510 1_ |a Graph representation learning |z eng

• 606 0_ |a 图象处理 |A tu xiang chu li

• 690 __ |a TP391.413 |v 5

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

• 712 02 |a AI TIME |4 译

• 801 _0 |a CN |b 湖北三新 |c 20210622

• 905 __ |a GDPTC |d TP391.413/389