书名：企业级可扩展图学习
书号：978-7-5239-1123-5
定价：128元
作者：[爱尔兰]艾哈迈德·门沙维(Ahmed Menshawy)[埃及]萨米赫·穆罕默德(Sameh Mohamed)[利比亚]迈赖姆·里兹克·马苏德(Maraim Rizk Masoud) 著 侯荣涛 侯硕楠 周利锋 译
出版时间：2026-08-19
出版社：中国电力出版社
页码： 372    字数(千字)：363
开本：特16开    版次：B1    印次：Y1

品牌介绍

中国电力出版社成立于 1951 年，作为中国成立最早的中央科技出版社之一，曾隶属于水利电力部、能源部、电力工业部、国家电力公司，现为国家电网公司所属的科技出版社，在电气技术专业出版领域享有极高的声誉。该社作为以图书出版为主体，音像、电子出版物、期刊、网络出版共同发展的大型出版企业，以强大的出版资源和高素质的专业队伍，致力于向读者提供包括电力工程、电气工程、建筑工程、电子技术、信息技术、外语、大中专教材、家教等学科门类齐全的权威出版物，也竭力为广大师生提供精品教材，是教育部和北京市教委规划教材的出版基地之一。

编辑推荐

一句话推荐 本书是关于构建可扩展、适配企业需求的图学习的全面指南。 专家推荐 “本书是一本关于构建可扩展、适配企业需求的图学习流程的全面且注重实践的指南。本书为你提供了全面知识与工具，助力你将前沿的图技术引入企业环境。” ——Lipi Patnaik，Zeta公司高级软件开发工程师 “在这个无界互联的时代，本书将循序渐进地引导你构建可扩展的图表征学习体系，以揭示潜藏于复杂网络中的结构与深层语义。” ——Emir Muñoz博士，Genesys云服务部AI/机器学习高级经理 编辑推荐 直面与企业级图表示及学习相关的核心挑战。借助这本实操指南，应用数据科学家、机器学习工程师及实践者将掌握如何构建端到端的图学习流程。你将深入探索流程各阶段的核心挑战，从数据采集与表示，到实时推理及反馈环路驱动的再训练。 基于构建可扩展、生产就绪型图学习流程的实战经验，本书作者将带你在动态演化的图世界中，逐步打造稳健的图学习系统。

产品特色

本书是关于构建可扩展、适配企业需求的图学习的全面指南。

作者介绍

Ahmed Menshawy现任万事达卡公司人工智能工程副总裁。Sameh Mohamed现任微软公司高级应用科学家，在机器学习与卫生信息学领域颇具专长。Maraim Rizk Masoud担任首席机器学习工程师。

内容介绍

基于构建可扩展、生产就绪型图学习流程的实战经验，本书介绍了如何在动态演化的图世界中逐步打造稳健的图学习系统。本书的主要内容有：理解图学习对提升企业级应用的重要性。应对开发和部署适用于企业的图学习及推理流程所面临的挑战。运用传统与先进的图学习技术解决图应用场景问题。使用并贡献于开源图库PyGraf，在构建图应用时融入最佳实践。利用公开可用且结构化的数据设计和实现图学习算法。将隐私保护技术应用于图学习过程。
本书适用于数据科学家与机器学习工程师。

前言

前言 欢迎阅读本书。我们撰写本书的初衷十分明确，为专业人士提供一条从初步构想到实用系统的清晰直达之路。在许多技术书籍中，理论与实践之间的鸿沟宛如一道深邃的峡谷。在本书中，我们旨在搭建一座连接二者的桥梁。我们在每一页都力求平衡，既提供充分的背景知识以助你理解主题，又给出可立即付诸实践的具体指导。 什么是企业级的图学习 过去几年，图技术领域与机器学习的发展可谓令人惊叹。随着数据互联性价值的日益凸显，图方法已从学术小众领域跃升为理解复杂系统的关键工具。从精准识别复杂的欺诈团伙，到优化供应链流程、实现个性化推荐，图学习正成为各行业不可或缺的核心技术。 尽管这一领域的热度持续攀升，许多从业者仍发现自己身处这样的困境：虽有强大工具可用，却缺乏关于如何在现实企业环境中系统化应用图学习的明确指引。当前学界对模型架构与理论概念的关注已颇为深入，但在构建、部署及维护稳健的基于图系统的实操环节，所获得的重视往往相对不足。 本书旨在弥补这一差距。我们认为，若要在企业环境中高效应用图学习技术，仅掌握算法远远不够，更需要一套涵盖问题求解、数据整合、模型部署及持续维护的结构化方法论。我们将向你展示如何构建稳健的图学习系统，使其既能输出可落地的洞察，又能从容应对生产环境中的各种挑战。 图学习为何对企业至关重要 在争相追逐最高性能机器学习解决方案的浪潮中，我们注意到某些关键要素尚未获得足够重视，尤其是在图数据领域。数据科学家与机器学习工程师普遍缺乏优质信息源，难以获取用于加速、复用、管理及部署基于图开发的相关概念与工具。当前亟须一套可落地的实践框架，以推动图学习技术的实际应用。 基于我们的实际经验，大多数旨在将模型部署至生产环境的数据科学项目，往往难以组建庞大的团队，尤其在应对图数据特有的复杂性时更是如此。这使得完全从零开始构建内部图学习流程变得异常困难。若缺乏结构化方法，图项目极易沦为一次性尝试：要么难以实现有效扩展，要么性能随时间推移逐渐下降，或是模型未能在企业内部广泛落地。正因如此，建立自动化、可复现且具备扩展性的图学习途径至关重要，它能大幅降低大规模部署及维护这些强大模型所需的精力投入。 本书的初衷在于通过全程解析端到端的图学习流程，推动图学习项目的标准化建设。若仅靠清晰的文字表述，却让读者对背景感到困惑，则远远不够。正因如此，每一项技术均以源自银行业、零售业、网络安全或医疗领域的实际案例为基础，这些领域中，失误的代价高昂且交付周期紧迫。同样重要的是，书中如实记录了早期版本的失败经历及为延续项目所做的调整。穿插这些“小插曲”，旨在帮助你在自身工作中识别类似风险，从而在未来规避。我们深知多数企业团队需严格遵守数据隐私、公平性和系统可用性等规范。每当这些规则与建模选择产生冲突时，我们将明确指出，并演示如何在合规框架内突破创新以达成目标。硬件限制与预算上限亦适用此原则。我们的目标是让你免于陷入“数周努力后才发现致命约束”的困境。 如今，开源工具已能让人们通过简单指令构建并运行大型图模型，而大语言模型领域的热潮，更使我们得以将自由文本知识与图结构以之前尚属天方夜谭的方式相结合。本书既顺应这一技术浪潮，又将焦点牢牢锁定于当下可落地的实践，我们纵览前沿理念，却始终讨论如何回归至无需庞大研究团队支撑、可在普通集群上顺畅运行的代码实现。 本书面向谁 本书的读者对象主要是数据科学家与机器学习工程师，他们渴望突破单一图模型训练的局限，并实现数据科学项目的产品化。需具备机器学习的基础知识，且至少熟悉一种机器学习框架（如PyTorch、TensorFlow、Keras）。 本书的次要读者群体包括数据科学项目经理、软件开发人员及DevOps 工程师，他们期望通过图技术助力其组织加快数据科学项目进程。若希望深入了解自动化图学习生命周期及其如何为组织创造效益，本书将为你介绍一套实现这一目标的工具链。 章节概述 在每一章中，我们将详细介绍构建高效图学习系统的具体步骤，并通过实际示例演示这些步骤的实践过程。 第1 章，图导论。概述了图结构及其应用场景，并阐释了其在解决企业级问题方面的强大优势。 第2 章，图机器学习处理流程。勾勒出构建、部署及维护基于图的机器学习系统的全流程。 第3 章，图的传统机器学习方法。探讨如何调整和应用经典机器学习方法处理图数据。 第4 章，PyGraf：端到端的图学习与服务。介绍了PyGraf，一个用于在生产环境中构建和服务图学习模型的实践框架。 第5 章，图神经网络。深入解析图神经网络（GNN）的核心概念与架构。 第6 章，图学习中的高级技术。涵盖更为复杂的图学习方法及其应用场景。 第7 章，可扩展的图神经网络。聚焦于将图神经网络扩展至企业级大规模数据集所面临的挑战，并探讨相应的解决方案。 第8 章，图的企业级应用。基于我们的实际经验，展示图学习在多个行业中的真实应用案例。 第9 章，隐私保护型图学习。探索如何在严格遵守数据隐私法规的前提下构建图模型。 第10 章，图推理与部署策略。专注于高效部署图学习模型以支持实时与批量推理场景。 第11 章，监测与反馈循环。探讨如何监测已部署图模型的性能，并建立持续改进的反馈机制。 第12 章，未来趋势：图学习与大语言模型。展望新兴技术发展，尤其聚焦图学习与大语言模型（LLM）的交叉融合及其潜在影响。 当你翻阅本书时，请尝试以简单的视角审视每一个新数据集：数据记录之间如何相互影响？哪些关联关系又能揭示单行数据所不能展现的何种洞见？正是这样的思维习惯，往往能化微小改进为重大突破。 感谢你将本书置于案头。愿它能指引你实现更简洁的设计、更强大的模型、更快速的部署与更精准的洞察。打开你喜欢的编辑器，新建一份笔记，让我们共同梳理数据关系的脉络吧。祝你阅读愉快，建模顺利！ 排版约定 本书采用以下排版约定。 斜体（Italic） 表示新术语、URL、电子邮件地址、文件名和文件扩展名。 等宽字体（Constant width） 表示程序清单，在段落内表示程序元素，例如变量、函数名称、数据库、数据类型、环境变量、语句和关键字。 粗体等宽字体（Constant width bold） 表示应由用户原封不动输入的命令或其他文本。 斜体等宽字体（Constant width italic） 表示应该替换成用户提供值的文本，或者由上下文决定的值。 使用代码示例 可在以下地址下载补充材料（含代码示例、练习等）：。 与本书相关的技术问题，或者在使用代码示例上有疑问，请发电子邮件到support@oreilly.com。 本书是要帮你完成工作的。一般来说，如果本书提供了示例代码，你可以把它用在你的程序或文档中。除非你使用了很大一部分代码，否则无需联系我们获得许可。比如，用本书的几个代码片段写一个程序就无需获得许可，销售或分发O’Reilly 图书的示例集则需要获得许可；引用本书中的示例代码回答问题无需获得许可，将书中大量的代码放到你的产品文档中则需要获得许可。 我们很希望但并不强制要求你在引用本书内容时加上引用说明。引用说明一般包括书名、作者、出版社和ISBN，例如：“Scaling Graph Learning for the Enterprise by Ahmed Menshawy, Sameh Mohamed, and Maraim Rizk Masoud (O’Reilly). Copyright 2025 Ahmed Menshawy, Sameh Mohamed, and Maraim Masoud, 978-1-098-14606-1”。 如果你觉得自己对示例代码的使用超出了上述许可范围，请通过permissions@oreilly.com 与我们联系。 对本书中文版有任何建议可以发电子邮件到errata@oreilly.com.cn。 O’Reilly 在线学习平台（O’Reilly Online Learning） 近40 年来，O’Reilly Media 致力于提供技术和商业培训、知识和卓越见解，来帮助众多公司取得成功。 公司独有的专家和改革创新者网络通过O’Reilly 书籍、文章以及在线学习平台，分享他们的专业知识和实践经验。O’Reilly 在线学习平台按照您的需要提供实时培训课程、深入学习渠道、交互式编程环境以及来自O’Reilly 和其他200 多家出版商的大量书籍与视频资料。更多信息，请访问网站：/。 联系我们 任何有关本书的意见或疑问，请按照以下地址联系出版社。 美国： O’Reilly Media, Inc. 141 Stony Circle, Suite 195 Santa Rosa, CA 95401 中国： 北京市西城区西直门南大街2 号成铭大厦C 座807 室（100035） 奥莱利技术咨询（北京）有限公司 我们为本书创建了专属网页，集中展示勘误、示例及其他补充信息。你可通过以下链接访问该页面：。 欲了解本社图书和课程的新闻和信息，请访问我们的网站http://oreilly.com。 我们的LinkedIn：。 我们的YouTube：。 致谢 此类项目的完成始终凝聚着众人的智慧与努力，我们衷心感谢所有为本书创作付出心血的同仁。 诚挚感谢O’Reilly 团队在整个出版过程中给予的专业指导与鼎力支持，特别致敬Nicole Butterfield、Michele Cronin、Elizabeth Faerm 及Charles Roumeliotis。 技术评审专家们提出的宝贵意见极大地提升了示例的实用性，并深化了理论阐释。尤其感谢Emir Muñoz、Mahmoud Fahmy 以及Lipi Deepaakshi Patnaik 三位学者严谨细致的审校工作与极具洞见的建议。

目录

目录
前言 1
第1 章 图导论 9
11 大规模企业级图学习与推理的力量 9
12 概览全书：章节导航 14
13 图与图学习 14
131 什么是图 15
132 图数据表示 17
133 图学习 19
134 可扩展的图学习：满足关键需求 20
135 可扩展图学习在企业中的优势 22
14 现实世界企业中的大规模图应用：用例 23
141 谷歌地图的行程时间预测 23
142 药物研发：哈立嗪案例 24
143 欺诈检测 25
15 图与图学习的演进：从早期起源到现代应用 26
151 时代1：图论与算法的奠基（1736—1970） 27
152 时代2：图算法与技术的进一步发展（1970—1999） 28
153 时代3：图数据库与图查询语言的兴起（2000—2006） 29
154 时代4：图分析与传统机器学习（2007—2011） 29
155 时代5：图神经网络的崛起（2012—2018） 29
156 时代6：可扩展性、鲁棒性与企业级应用（2019 年至今） 29
157 企业级图学习系统面临的挑战 30
158 数据协调挑战 30
159 计算密集型工作负载31
1510 动态演化图 31
1511 主动监控与漂移检测 32
1512 实时推理 32
16 总结 32
第2 章 图机器学习处理流程 35
21 图数据处理流程 36
211 图数据与图数据层级的定义 36
212 图数据的采集与认知42
213 图数据预处理 44
22 图训练与推理流程 49
221 GML 训练流程概览 49
222 GML 推理流程概览 51
23 总结 54
第3 章 图的传统机器学习方法 55
31 图机器学习的研究路径 56
311 传统基于图的机器学习 56
312 非传统的基于图的机器学习 56
32 传统机器学习的表征图 57
321 图表征 57
322 将亚马逊共购网络表征为图 59
323 畅游亚马逊共购数据集中的图任务 61
33 图特征工程 65
331 重要性与挑战 66
332 图特征类型 66
333 实战操作：提取亚马逊共购图的特征 69
34 图特征在机器学习建模中的应用 71
35 借助预测模型预判高评分产品 73
36 基于节点嵌入的特征学习 76
361 随机游走算法 77
362 亚马逊共现购买数据集与节点嵌入技术 78
37 总结 83
第4 章 PyGraf：端到端的图学习与服务 85
41 图数据库概览 85
411 开源图库的挑战：PyGraf 的机遇 86
412 PyGraf：高效实现图学习与服务的解决方案 86
42 PyGraf 入门 87
421 PyGraf 核心特性 87
422 PyGraf 宗旨：赋能动态环境 88
43 架构与核心能力 89
431 核心组件层 91
432 适配与集成层 91
433 最佳实践层 92
44 对核心库组件的深入探索 92
441 数据组件 92
442 训练组件 99
443 服务组件 101
444 隐私保护组件 103
45 使用PyGraf 的端到端示例：亚马逊共购数据集 104
451 预处理与转换 105
452 模型训练 106
453 评估与模型选择 107
454 部署与监控 107
46 总结 108
第5 章 图神经网络 111
51 图神经网络入门 112
511 图神经网络在图学习中的重要性 112
512 GNN 的典型应用场景解析 113
513 图神经网络基础 114
514 图卷积网络 116
515 从传统图学习到GCN 的演进 120
516 GCN 如何简化特征工程 121
52 使用PyG 和PyGraf 接口的端到端实践示例 121
521 PyG：空手道俱乐部示例 121
522 Cora 节点分类 134
523 PyGraf API 接口 140
53 基于GCN 架构的局限性 142
54 总结 144
第6 章 图学习中的高级技术 145
61 不同类型图 145
611 同质性图 146
612 异质性图 146
613 时序图 147
62 图嵌入模型 148
621 知识图谱嵌入如何工作 148
622 训练知识图谱嵌入模型 149
623 嵌入交互方法 150
624 训练目标 153
625 图嵌入模型的优势 154
626 示例：在Freebase 数据集上进行学习 155
63 图上的注意力机制 160
631 特征向量 160
632 注意力机制 161
633 多头注意力机制 162
634 示例：引用网络 162
64 CiteSeer 应用案例示例 165
641 数据预处理与可视化165
642 使用PyG 进行模型训练 168
643 模型测试 171
644 嵌入向量可视化 171
65 总结 172
第7 章 可扩展的图神经网络 175
71 扩展图学习模型的挑战 176
711 计算挑战 176
712 内存限制 176
713 数据复杂性与规模问题 177
72 图神经网络中的小批量训练178
721 定义与重要性 178
722 高效小批量训练的技术方法 178
73 高效利用内存的训练技术 180
731 梯度检查点技术 180
732 子图采样方法 181
733 分层相关性传播 183
74 分布式数据与计算策略 184
741 分布式执行策略 184
742 图划分策略 187
743 分布式图学习工具 190
75 基于PyG 的分布式训练 192
751 准备与划分图数据 193
752 分布式训练的手动执行 194
753 使用PyG 进行分布式训练的关键组件 195
76 用于扩展图神经网络的高级架构 196
761 稀疏性利用 196
762 近似技术 197
763 外部内存的使用 197
77 总结 198
第8 章 图的企业级应用 199
81 客户与市场洞察 200
811 客户分群 200
812 社交网络分析 202
813 推荐引擎 204
82 运营与供应链管理 208
821 供应链中的网络优化208
822 库存管理 209
823 风险管理与供应链韧性 210
824 实际应用场景 211
83 安全与风险管理 213
831 威胁检测与分析 213
832 身份与访问管理（IAM） 214
833 欺诈检测 214
834 网络安全事件响应 215
835 风险管理与合规性 216
84 医疗健康与生命科学 217
841 患者诊疗路径图与个性化医疗 217
842 药物研发 217
843 临床试验优化 219
844 基因组学与个性化医疗 219
845 广受欢迎的生命科学产品 221
85 总结 223
第9 章 隐私保护型图学习 225
91 图学习中隐私保护的重要性225
92 企业案例与应用场景 226
93 隐私保护技术概述 226
931 图学习中的隐私威胁227
932 隐私泄露案例研究 229
94 图数据的隐私保护技术 230
941 图数据匿名化 230
942 图数据中的k 匿名性与t 接近度 230
943 图修改技术 231
944 边差分隐私 232
945 节点差分隐私 233
946 合成图数据生成 234
95 隐私保护型图计算 235
951 面向图的安全多方计算 235
952 同态加密在图学习中的应用 237
953 差分隐私学习算法 238
96 联邦图学习 241
961 原理与架构 241
962 联邦图神经网络 245
963 训练与通信协议 246
964 联邦图学习中的隐私增强技术 247
97 隐私保护型图学习的应用 250
971 社交网络分析中的隐私保护技术 250
972 应用场景 251
98 案例研究：基于Epinions 数据的FedGraphNN 推荐系统应用 252
981 数据集 252
982 应用联邦学习的重要性 253
983 数据处理 253
984 联邦训练逻辑 255
985 运行联邦学习流程 258
99 总结 261
第10 章 图推理与部署策略 263
101 部署策略 264
1011 金丝雀部署：试水策略 265
1012 蓝绿部署：平滑过渡 267
1013 阴影部署：静默试运行 268
1014 边缘部署：直抵边缘前沿 270
1015 A/B 测试部署：可控实验 270
1016 渐进式发布：逐步扩大规模 272
1017 容器化部署272
1018 硬件考量 272
102 推理运行时环境 274
1021 推理框架与库 274
1022 预计算与缓存 276
1023 在线推理与离线推理 277
103 模型优化技术 278
1031 量化 278
1032 剪枝 282
1033 知识蒸馏 285
104 大规模图的推理扩展 288
1041 分布式推理系统 289
1042 用于可扩展推理的图划分技术 289
1043 增量式推理293
105 总结 295
第11 章 监测与反馈循环 297
111 监控图模型的挑战 298
1111 图特定指标 300
1112 动态图 302
1113 规模与复杂性 303
1114 系统与部署问题 304
112 设计监控框架 305
1121 应对不断变化的连接关系（图拓扑结构） 305
1122 检查“语义内涵”（评估嵌入向量） 306
1123 平衡之道（系统性能与图任务的权衡） 306
1124 数据收集机制 307
1125 监控已部署的图模型 308
1126 告警阈值 316
1127 可视化工具 317
113 图系统中的反馈循环 318
1131 用户反馈：从交互中学习 319
1132 系统反馈：优化模型性能 320
1133 数据反馈：适应不断变化的世界 321
1134 反馈循环的协同效应 322
1135 闭环系统：自动化适配 322
1136 自适应重训练流程 324
1137 通知系统 326
114 总结 327
第12 章 未来趋势：图学习与大语言模型 329
121 图增强大语言模型导论 329
1211 大语言模型及其变革性影响 331
1212 引入外部记忆的必要性：RAG 架构解析 332
1213 图增强RAG 架构的优势 333
122 基于图结构的检索增强技术 334
1221 传统检索增强生成的挑战 334
1222 图结构集成335
123 GraphRAG 方法论与处理流程 337
1231 索引构建流程 338
1232 查询处理流程 341
1233 强化能力与全数据集推理 342
1234 实施考量 343
1235 基础RAG 与GraphRAG 对比 345
124 基于知识图谱的检索增强生成系统在客服问答中的应用 347
125 总结 349