识别关系是机器学习的基础。通过识别和分析数据中的关系，以图为核心的算法（如K-邻近或PageRank）显著提高了机器学习应用的效率。基于图的机器学习技术以全新方式为社交网络、欺诈检测、自然语言处理和推荐系统等领域的机器学习提供了强有力的支持。
本书是行业类的权威书籍，旨在倾授如何利用面向图的机器学习算法和工具，充分挖掘结构化和非结构化数据集中的自然关系，读者可以从中吸收图架构和图设计实践的精髓，并学会从容避开常见的陷阱。作者Alessandro Negro通过真实的应用示例，将GraphML（一种图建模语言）概念与实际任务完美联系起来，使读者能够更好地理解图技术在机器学习中的价值，并熟练应用该技术。

郭涛，主要从事人工智能、现代软件工程、智能空间信息处理以及时空大数据挖掘与分析等前沿交叉研究，已翻译并出版《深度强化学习图解》《AI可解释性（Python语言版）》《概率图模型原理与应用（第2版）》等多部畅销作品。

第Ⅰ部分 导论
第1章 机器学习和图：介绍
1.1 机器学习项目生命周期
1.1.1 业务理解
1.1.2 数据理解
1.1.3 数据预处理
1.1.4 建模
1.1.5 评估
1.1.6 部署
1.2 机器学习挑战
1.2.1 事实来源
1.2.2 性能
1.2.3 存储模型
1.2.4 即时性
1.3 图
1.3.1 什么是图
1.3.2 图作为网络模型
1.4 图在机器学习中的作用
1.4.1 数据管理
1.4.2 数据分析
1.4.3 数据可视化
1.5 本书心智模型
1.6 本章小结
第2章 图数据工程
2.1 处理大数据
2.1.1 数量
2.1.2 速度
2.1.3 多样性
2.1.4 真实性
2.2 大数据平台中的图
2.2.1 图对于大数据很有价值
2.2.2 图对于主数据管理意义重大
2.3 图数据库
2.3.1 图数据库管理
2.3.2 分片
2.3.3 复制
2.3.4 原生与非原生图数据库
2.3.5 标签属性图
2.4 本章小结
第3章 图在机器学习应用中的作用
3.1 机器学习工作流中的图
3.2 管理数据源
3.2.1 监控目标
3.2.2 检测欺诈
3.2.3 识别供应链中的风险
3.2.4 推荐条目
3.3 算法
3.3.1 识别供应链中的风险
3.3.2 在文档中查找关键词
3.3.3 监控目标
3.4 存储并访问机器学习模型
3.4.1 推荐条目
3.4.2 监控目标
3.5 可视化
3.6 剩余部分：深度学习和图神经网络
3.7 本章小结
第Ⅱ部分 推荐
第4章 基于内容的推荐
4.1 表示条目特征
4.2 对用户进行建模
4.3 提供推荐
4.4 图方法的优点
4.5 本章小结
第5章 协同过滤
5.1 协同过滤推荐
5.2 为User-Item数据集创建二部图
5.3 计算最近邻网络
5.4 提供推荐
5.5 处理冷启动问题
5.6 图方法的优点
5.7 本章小结
第6章 基于会话的推荐
6.1 基于会话的方法
6.2 事件链和会话图
6.3 提供推荐
6.3.1 基于条目的k-NN
6.3.2 基于会话的k-NN
6.4 图方法的优点
6.5 本章小结
第7章 上下文感知和混合推荐
7.1 基于上下文的方法
7.1.1 表示上下文信息
7.1.2 提供推荐
7.1.3 图方法的优点
7.2 混合推荐引擎
7.2.1 多模型，单图
7.2.2 提供推荐
7.2.3 图方法的优点
7.3 本章小结
第Ⅲ部分 打击欺诈
第8章 图欺诈检测的基本方法
8.1 欺诈预防和检测
8.2 图在打击欺诈行为中的作用
8.3 铺垫：基本方法
8.3.1 寻找信用卡诈骗的源头
8.3.2 识别欺诈环
8.3.3 图方法的优点
8.4 本章小结
第9章 基于邻近算法
9.1 基于邻近算法：介绍
9.2 基于距离的方法
9.2.1 将交易存储为图
9.2.2 创建k最近邻图
9.2.3 识别欺诈交易
9.2.4 图方法的优点
9.3 本章小结
第10章 社交网络分析反欺诈
10.1 社交网络分析概念
10.2 基于分数的方法
10.2.1 邻域度量
10.2.2 中心性指标
10.2.3 集体推理算法
10.3 基于聚类的方法
10.4 图的优点
10.5 本章小结
第Ⅳ部分 用图训练文本
第11章 基于图的自然语言处理
11.1 一个基本方法：存储和访问单词序列
11.2 NLP和图
11.3 本章小结
第12章 知识图谱
12.1 知识图谱：介绍
12.2 知识图谱构建：实体
12.3 知识图谱构建：关系
12.4 语义网络
12.5 无监督关键字提取
12.5.1 关键字共现图
12.5.2 聚类关键字和主题识别
12.6 图方法的优点
12.7 本章小结
附录A 机器学习算法分类
附录B Neo4j
附录C 处理图模式和工作流
附录D 表示图