资源介绍
的图深度学习应用 (英文版电子书）
电子书格式: pdf
图神经网络（GNN）作为深度学习领域的重要分支，在处理具有复杂关联结构的数据时展现出独特优势，已广泛应用于药物研发、交通预测、推荐系统等多个领域。本书以实战为核心，系统讲解图神经网络的基础理论、核心架构与实际应用，帮助读者快速掌握从图数据处理到模型部署的完整流程。
全书共分为四个部分，结构由浅入深、层层递进。第一部分为图学习基础，从图论核心概念入手，解释图的定义、类型（有向图、加权图、连通图等）、基本度量（节点度、中心性、密度）及邻接矩阵表示，同时介绍图学习的核心任务（节点分类、链路预测、图分类等），为后续学习奠定理论基础。读者将通过广度优先搜索（BFS）、深度优先搜索（DFS）等经典算法，理解图数据的遍历与分析逻辑。
第二部分聚焦基础图神经网络架构，详细讲解 DeepWalk、Node2Vec 等传统图嵌入方法，以及图卷积网络（GCN）、图注意力网络（GAT）等核心模型。通过对比 vanilla 神经网络与图神经网络的差异，揭示 GNN 融合节点特征与拓扑信息的核心优势。每个模型均配有完整的 PyTorch 实现代码，读者可直观理解线性变换、注意力机制、归一化等关键操作的数学原理与工程实现。
第三部分深入高级图神经网络技术，覆盖大规模图处理（GraphSAGE 的邻居采样策略）、图分类（GIN 模型与 Weisfeiler-Lehman 测试）、链路预测（VGAE、SEAL 框架）、图生成（MolGAN）、异构图学习（HAN）、时序图神经网络（EvolveGCN、MPNN-LSTM）及图模型可解释性（GNNExplainer、集成梯度）等前沿方向。这部分内容兼顾理论深度与实践价值，帮助读者应对复杂场景下的图学习挑战。
第四部分为实战应用案例，通过三个真实场景项目巩固所学知识：交通流量预测（基于 A3T-GCN 处理时空依赖数据）、异常检测（基于异构图神经网络识别网络入侵行为）、推荐系统（基于 LightGCN 实现图书推荐）。案例涵盖数据探索、预处理、模型构建、评估优化全流程，强调工程实践中的关键细节，如数据集构建、超参数调优、性能评估指标选择等。
在网络安全相关内容中，本书重点突出安全防护理念。通过分析网络流量数据的图结构特征，讲解如何利用异构图神经网络识别暴力攻击、拒绝服务攻击等异常行为，帮助读者掌握基于图学习的入侵检测方法，提升网络安全防御能力。书中所有代码均开源可获取，支持在 GitHub 和 Google Colab 中直接运行，方便读者动手实践。
本书适合数据科学家、机器学习工程师、人工智能从业者及相关专业学生阅读。读者需具备基础的深度学习与机器学习知识，无需精通图论。通过本书的学习，读者能够熟练运用 PyTorch 及其几何扩展库（PyTorch Geometric）设计和实现图神经网络，解决实际业务中的复杂关联数据问题，为智能系统开发提供强大的技术支撑。Hands-On Graph Neural Networks Using Python