データサイエンスのためのグラフアルゴリズム

グラフの基礎から Python 実装・機械学習・生成 AI 活用まで

グラフ探索、最短経路、中心性分析、コミュニティ検出から、グラフデータベース、機械学習への接続、ノード埋め込み、リンク予測までを、NetworkXとPythonで実践的に学ぶ一冊。

Graph Algorithms
NetworkX
Machine Learning
Generative AI
Python

書誌情報

状況: 執筆中
分野: データサイエンス
言語: 日本語
形態: 印刷書籍・電子書籍（予定）

この本について

表形式のデータは扱いやすい一方で、「誰が誰とつながっているか」「何が何と一緒に起こりやすいか」といった関係そのものは、行と列の中に埋もれてしまいます。本書は、この関係を明示的に扱うグラフという表現を出発点に、探索、最短経路、中心性、コミュニティ検出、二部グラフの投影、類似性ネットワークをPythonとNetworkXで学びます。続けて、探索的グラフ分析の進め方とグラフデータベース（Neo4jとCypher）によるクエリ、不正検知やレコメンドといった実務パターンを扱い、最終章群ではグラフ構造を機械学習の特徴量とノード埋め込みへ変換し、ノード分類とリンク予測まで進みます。

掲載するコードはすべて実際の環境で動作を確認しており、Zachary's Karate ClubやIrisといった教育用に安定した公開データセットと、説明にそのまま対応する自作の小規模データを中心に用いています。知識グラフと知識補完、テキストからのグラフ構築、分析基盤の選び方、生成AI時代におけるグラフの役割まで、全21章で一貫して扱います。

本書で学べること

グラフの基本構造と、実データをグラフへ落とし込むモデリングの考え方
幅優先探索・深さ優先探索による探索と、Dijkstra法による最短経路
次数・近接・媒介・固有ベクトル中心性とPageRankによる重要ノードの発見
ラベル伝播法とLouvain法によるコミュニティ検出
二部グラフの投影による類似性ネットワークの構築とセグメンテーション
Cypherを用いたグラフデータベース（Neo4j）の基本操作
グラフ構造を特徴量とノード埋め込みへ変換し、ノード分類・リンク予測へつなげる方法

対象読者

表形式データだけでは捉えきれない関係を分析したいデータサイエンティスト
NetworkXを使ったグラフ分析を実務に取り入れたいエンジニア
レコメンド、不正検知、依存関係分析にグラフを応用したい実務者
グラフ特徴量やノード埋め込みを機械学習に組み込みたい方

目次（予定）

※ 刊行前のため、目次および内容は変更される場合があります。

第1章
なぜデータサイエンスにグラフが必要なのか
第2章
グラフの基本構造を理解する
第3章
グラフデータモデリング入門
第4章
Pythonで始めるグラフ分析
第5章
グラフ探索の基本
第6章
最短経路と経路分析
第7章
中心性で重要ノードを見つける
第8章
コミュニティ検出とグラフ構造の理解
第9章
投影によって間接関係を直接関係に変える
第10章
類似性ネットワークとセグメンテーション
第11章
探索的グラフ分析
第12章
グラフデータベースとクエリ言語入門
第13章
実務で使うグラフ分析パターン
第14章
グラフ特徴量と機械学習の接続
第15章
ノード埋め込み
第16章
ノード分類
第17章
リンク予測
第18章
知識グラフと知識補完
第19章
NLPからグラフを構築する
第20章
グラフ分析基盤の選び方
第21章
生成AI時代のグラフデータサイエンス
付録
章末演習

刊行情報

2026年07月: 全21章の草稿と検証済みコードが完成しました。刊行時期は未定です。
2025年10月: 企画が確定しました。