前沿：图神经网络是机器学习、数据科学、数据挖掘领域新兴的发展方向，被称作图上的深度学习，有望推动第三代人工智能的顺利发展。

丰富：综述图神经网络的基础理论、模拟算法、研究前沿以及广泛和新兴的应用场景

深入：摒弃简单介绍概念与框架的思维，深入分析图神经网络的现状以及未来的调整与机遇，帮助专业人士和初学者知其然知其所以然

力荐：囊括国内AI界半壁江山的大咖联袂推荐

本书致力于介绍图神经网络的基本概念和算法、研究前沿以及广泛和新兴的应用，涵盖图神经网络的广泛主题，从基础到前沿，从方法到应用，涉及从方法论到应用场景方方面面的内容。全书分为四部分：第一部分介绍图神经网络的基本概念；第二部分讨论图神经网络成熟的方法；第三部分介绍图神经网络典型的前沿领域；第四部分描述可能对图神经网络未来研究比较重要和有前途的方法与应用的进展情况。

本书适合高年级本科生和研究生、博士后研究人员、讲师以及行业从业者阅读与参考。

吴凌飞博士

毕业于美国公立常春藤盟校之一的威廉与玛丽学院计算机系。目前他是Pinterest公司主管知识图谱和内容理解的研发工程经理。曾任京东硅谷研究中心的首席科学家和IBM Thomas J. Vatson Research Centerl的高级研究员。主要研究方向是机器学习、表征学习和自然语言处理的有机结合，在图神经网络及其应用方面有深入研究。他在机器学习、深度学习等领域的著名会议或期刊上发表100多篇论文。

崔鹏博士

清华大学计算机系终身副教授。于2010年在清华大学获得博士学位。研究兴趣包括数据挖掘、机器学习和多媒体分析，擅长网络表示学习、因果推理和稳定学习、社会动力学建模和用户行为建模等。他在机器学习和数据挖掘领域的著名会议或期刊上发表100多篇论文。

裴健博士

杜克大学电子与计算机工程系教授。他是数据科学、大数据、数据挖掘和数据库系统等领域的研究人员。他擅长为新型数据密集型应用开发有效的数据分析技术，并将其研究成果转化为产品和商业实践。自2000年以来，他已经出版一本教科书、两本专著，并在众多具有影响力的会议或期刊上发表300多篇论文。

赵亮博士

埃默里大学计算科学系助理教授。曾在乔治梅森大学信息科学与技术系和计算机科学系担任助理教授。于2016年在弗吉尼亚理工大学计算机科学系获得博士学位。研究兴趣包括数据挖掘、人工智能和机器学习，在时空和网络数据挖掘、图深度学习、非凸优化、事件预测和可解释机器学习等方面有深入研究。

第 一部分 引言

第 1章 表征学习 2

1.1 导读 2

1.2 不同领域的表征学习 3

1.2.1 用于图像处理的表征学习 3

1.2.2 用于语音识别的表征学习 5

1.2.3 用于自然语言处理的表征学习 7

1.2.4 用于网络分析的表征学习 8

1.3 小结 9

第 2章 图表征学习 11

2.1 导读 11

2.2 传统图嵌入方法 12

2.3 现代图嵌入方法 13

2.3.1 保留图结构和属性的图表征学习 13

2.3.2 带有侧面信息的图表征学习 15

2.3.3 保留高级信息的图表征学习 15

2.4 图神经网络 16

2.5 小结 17

第3章 图神经网络 18

3.1 导读 18

3.2 图神经网络概述 19

3.2.1 图神经网络基础 19

3.2.2 图神经网络前沿 20

3.2.3 图神经网络应用 22

3.2.4 本书组织结构 23

3.3 小结 24

第二部分 基础

第4章 用于节点分类的图神经网络 28

4.1 背景和问题定义 28

4.2 有监督的图神经网络 29

4.2.1 图神经网络的一般框架 29

4.2.2 图卷积网络 30

4.2.3 图注意力网络 32

4.2.4 消息传递神经网络 33

4.2.5 连续图神经网络 33

4.2.6 多尺度谱图卷积网络 35

4.3 无监督的图神经网络 37

4.3.1 变分图自编码器 37

4.3.2 深度图信息最大化 39

4.4 过平滑问题 41

4.5 小结 42

第5章 图神经网络的表达能力 44

5.1 导读 44

5.2 图表征学习和问题的提出 47

5.3 强大的消息传递图神经网络 49

5.3.1 用于集合的神经网络 49

5.3.2 消息传递图神经网络 50

5.3.3 MP-GNN的表达能力 51

5.3.4 具有1-WL测试能力的MP-GNN 53

5.4 比1-WL测试更强大的图神经网络架构 54

5.4.1 MP-GNN的局限性 54

5.4.2 注入随机属性 56

5.4.3 注入确定性距离属性 61

5.4.4 建立高阶图神经网络 65

5.5 小结 69

第6章 图神经网络的可扩展性 71

6.1 导读 71

6.2 引言 72

6.3 抽样范式 72

6.3.1 节点级抽样 74

6.3.2 层级抽样 76

6.3.3 图级抽样 79

6.4 大规模图神经网络在推荐系统中的应用 82

6.4.1 物品-物品推荐 82

6.4.2 用户-物品推荐 83

6.5 未来的方向 84

第7章 图神经网络的可解释性 86

7.1 背景：深度模型的可解释性 86

7.1.1 可解释性和解释的定义 86

7.1.2 解释的价值 87

7.1.3 传统的解释方法 88

7.1.4 机遇与挑战 90

7.2 图神经网络的解释方法 90

7.2.1 背景 91

7.2.2 基于近似的解释 92

7.2.3 基于相关性传播的解释 95

7.2.4 基于扰动的解释 96

7.2.5 生成式解释 97

7.3 图神经网络的可解释模型 97

7.3.1 基于GNN的注意力模型 98

7.3.2 图上的解耦化表征学习 100

7.4 图神经网络解释的评估 101

7.4.1 基准数据集 101

7.4.2 评价指标 103

7.5 未来的方向 103

第8章 图神经网络的对抗鲁棒性 105

8.1 动机 105

8.2 图神经网络的局限性：对抗性样本 107

8.2.1 对抗性攻击的分类 107

8.2.2 扰动的影响和一些启示 110

8.2.3 讨论和未来的方向 112

8.3 可证明的鲁棒性：图神经网络的认证 113

8.3.1 特定模型的认证 113

8.3.2 模型无关的认证 115

8.3.3 高级认证和讨论 116

8.4 提高图神经网络的鲁棒性 117

8.4.1 改进图 117

8.4.2 改进训练过程 118

8.4.3 改进图神经网络的架构 120

8.4.4 讨论和未来的方向 121

8.5 从鲁棒性的角度进行适当评估 122

8.6 小结 124

第三部分 前沿

第9章 图分类 128

9.1 导读 128

9.2 用于图分类的图神经网络：典型工作和现代架构 129

9.2.1 空间方法 129

9.2.2 频谱方法 132

9.3 池化层：从节点级输出学习图级输出 133

9.3.1 基于注意力的池化层 134

9.3.2 基于聚类的池化层 134

9.3.3 其他池化层 134

9.4 图神经网络和高阶层在图分类中的局限性 135

9.5 图神经网络在图分类中的应用 137

9.6 基准数据集 137

9.7 小结 138

第 10章 链接预测 139

10.1 导读 139

10.2 传统的链接预测方法 140

10.2.1 启发式方法 140

10.2.2 潜在特征方法 143

10.2.3 基于内容的方法 145

10.3 基于GNN的链接预测方法 145

10.3.1 基于节点的方法 145

10.3.2 基于子图的方法 147

10.3.3 比较基于节点的方法和基于子图的方法 150

10.4 链接预测的理论 151

10.4.1 γ–衰减启发式理论 151

10.4.2 贴标签技巧 155

10.5 未来的方向 158

10.5.1 加速基于子图的方法 158

10.5.2 设计更强大的贴标签技巧 159

10.5.3 了解何时使用独热特征 159

第 11章 图生成 160

11.1 导读 160

11.2 经典的图生成模型 160

11.3 深度图生成模型 163

11.4 小结 178

第 12章 图转换 179

12.1 图转换问题的形式化 179

12.2 节点级转换 180

12.3 边级转换 182

12.4 节点-边共转换 186

12.5 其他基于图的转换 193

12.6 小结 196

第 13章 图匹配 197

13.1 导读 197

13.2 图匹配学习 198

13.3 图相似性学习 205

13.4 小结 210

第 14章 图结构学习 211

14.1 导读 211

14.2 传统的图结构学习 212

14.3 图神经网络的图结构学习 215

14.4 未来的方向 226

14.5 小结 227

第 15章 动态图神经网络 228

15.1 导读 228

15.2 背景和表示法 229

15.3 动态图的类型 233

15.4 用图神经网络对动态图进行建模 236

15.5 应用 242

15.6 小结 247

第 16章 异质图神经网络 248

16.1 HGNN简介 248

16.2 浅层模型 251

16.3 深度模型 254

16.4 回顾 259

16.5 未来的方向 259

第 17章 自动机器学习 262

17.1 背景 262

17.2 搜索空间 265

17.3 搜索算法 269

17.4 未来的方向 273

第 18章 自监督学习 275

18.1 导读 275

18.2 自监督学习概述 276

18.3 将SSL应用于图神经网络：对训练策略、损失函数和代理任务进行分类 277

18.4 节点级代理任务 283

18.5 图级代理任务 287

18.6 节点-图级代理任务 293

18.7 讨论 294

18.8 小结 295

第四部分 广泛和新兴的应用

第 19章 现代推荐系统中的图神经网络 298

19.1 图神经网络在推荐系统中的实践 298

19.2 案例研究1：动态的GNN学习 304

19.3 案例研究2：设备-云协作的GNN学习 309

19.4 未来的方向 313

第 20章 计算机视觉中的图神经网络 315

20.1 导读 315

20.2 将视觉表征为图 316

20.3 案例研究1：图像 318

20.4 案例研究2：视频 320

20.5 其他相关工作：跨媒体 322

20.6 图神经网络在计算机视觉中的前沿问题 324

20.7 小结 326

第 21章 自然语言处理中的图神经网络 327

21.1 导读 327

21.2 将文本建模为图 329

21.3 案例研究1：基于图的文本聚类和匹配 332

21.4 案例研究2：基于图的多跳阅读理解 335

21.5 未来的方向 338

21.6 小结 339

第 22章 程序分析中的图神经网络 341

22.1 导读 341

22.2 程序分析中的机器学习 342

22.3 程序的图表征 343

22.4 用于程序图的图神经网络 345

22.5 案例研究1：检测变量误用缺陷 346

22.6 案例研究2：预测动态类型化语言中的类型 348

22.7 未来的方向 350

第 23章 软件挖掘中的图神经网络 352

23.1 导读 352

23.2 将软件建模为图 353

23.3 相关的软件挖掘任务 355

23.4 软件挖掘任务实例：源代码总结 357

23.5 小结 364

第 24章 药物开发中基于图神经网络的生物医学知识图谱挖掘 366

24.1 导读 366

24.2 现有的生物医学知识图谱 367

24.3 知识图谱的推理 369

24.4 药物开发中基于KG的假设生成 374

24.5 未来的方向 376

第 25章 预测蛋白质功能和相互作用的图神经网络 383

25.1 从蛋白质的相互作用到功能简介 383

25.2 三个典型的案例研究 387

25.3 未来的方向 393

第 26章 异常检测中的图神经网络 395

26.1 导读 395

26.2 基于GNN的异常检测的问题 397

26.3 流水线 400

26.4 分类法 403

26.5 案例研究 404

26.6 未来的方向 409

第 27章 智慧城市中的图神经网络 410

27.1 用于智慧城市的图神经网络 410

27.2 未来的方向 419

参考文献 420