圖表示學習開山之作；清華大學教授鼎力推薦；浙江大學、山東大學、北京郵電大學等多位高校學子精心翻譯；全面剖析圖表示學習、圖神經網絡、圖嵌入、節點嵌入、圖深度學習等AI領域的前沿進展，探索提升AI的可解釋性、健壯性的路徑與方法，為AI實現推理、規劃、邏輯等表示提供助力。

●第一部分背景介紹
第1章引言2
1.1什麼是圖3
1.1.1多關繫圖4
1.1.2特征信息5
1.2圖機器學習6
1.2.1節點分類7
1.2.2關繫預測9
1.2.3聚類和社區發現11
1.2.4圖的分類、回歸與聚類11
第2章背景與傳統方法13
2.1圖統計特征與核方法14
2.1.1節點層面的統計特征14
2.1.2圖層面的特征和圖核20
2.2鄰域重疊檢測23
2.2.1局部重疊測量25
2.2.2全局重疊測量26
2.3圖的拉普拉斯矩陣和圖的譜方法32
2.3.1圖的拉普拉斯矩陣32
2.3.2圖割與圖聚類35
2.3.3廣義譜聚類40
2.4面向表示學習41
第二部分節點嵌入
第3章鄰域節點重構44
3.1編碼-解碼框架45
3.1.1編碼器46
3.1.2解碼器47
3.1.3編碼-解碼模型的優化48
3.1.4編碼-解碼方法小結48
3.2基於因式分解的方法49
3.3隨機遊走嵌入表示52
3.4shallowembedding的局限性56
第4章多關繫數據及知識圖譜58
4.1重建多關繫數據59
4.2損失函數60
4.3多關繫解碼器64
4.4解碼器的性能表征.68
第三部分圖神經網絡（GNN）
第5章圖神經網絡（GNN）模型72
5.1神經消息傳遞74
5.1.1消息傳遞框架概述74
5.1.2動機和思想76
5.1.3基本的GNN77
5.1.4自環消息傳遞79
5.2廣義鄰域聚合80
5.2.1鄰域歸一化81
5.2.2集合聚合操作83
5.2.3鄰域注意力模型86
5.3廣義的更新方法89
5.3.1拼接和跳躍連接92
5.3.2門控更新函數94
5.3.3跳躍知識連接95
5.4邊特關繫GNN96
5.4.1關繫GNN96
5.4.2注意力機制和特征拼接98
5.5圖池化99
5.6通用的消息傳遞方法102
第6章圖神經網絡（GNN）的實現104
6.1應用和損失函數104
6.1.1用於節點分類的GNN105
6.1.2用於圖分類的GNN107
6.1.3用於關繫預測的GNN108
6.1.4預訓練GNN108
6.2效率問題和節點采樣110
6.2.1圖級別的實現方法110
6.2.2子采樣和小批量111
6.3參數共享與正則化112
第7章圖神經網絡（GNN）的理論動機114
7.1GNN與圖卷積115
7.1.1卷積與傅裡葉變換115
7.1.2從時間信號到圖信號118
7.1.3譜圖卷積124
7.1.4卷積啟發的GNN129
7.2GNN和概率圖模型135
7.2.1分布的希爾伯特空間嵌入135
7.2.2圖作為圖模型136
7.2.3嵌入平均場推斷137
7.2.4更一般的GNN和PGM141
7.3GNN與圖同構141
7.3.1圖同構142
7.3.2圖同構與表示能力143
7.3.3WL算法143
7.3.4GNN和WL算法145
7.3.5超越WL算法148
第四部分生成圖模型
第8章傳統圖生成方法158
8.1傳統方法概述159
8.2ERD?S–RéNYI模型159
8.3隨機塊模型160
8.4優先鏈接模型161
8.5傳統應用163
第9章深度生成模型165
9.1VAE方法166
9.1.1節點級隱表示169
9.1.2圖級別的隱表示172
9.2對抗方法176
9.3自回歸模型178
9.3.1邊依賴建模178
9.3.2循環圖生成模型179
9.4圖生成的評估184
9.5分子圖生成185
後記187
致謝190

從電信網絡到量子化學，圖結構的數據在自然科學和社會科學中無處不在。在深度學習框架中建立關繫歸納偏差對於設計可以從此類數據進行學習、推理和歸納的繫統至關重要。近年來，關於圖表示學習(Graph Representation Learning，GRL)的研究激增，其中包括用於深圖嵌入的技術、卷積神經網絡在圖結構數據上的泛化，以及受置信度傳播算法啟發的神經消息傳遞方法。圖表示學習
的這些進展為許多領域帶來了近期新的研究成果，其中包括化學合成、三維視覺、推薦繫統、間答繫統和社交網絡分析。
本書提供了一份關於圖表示學習的綜述。首先，本書討論圖表示學習的目標及圖論和網絡分析的關鍵方法論。然後，本書介紹並回顧了學習節點嵌入的方法，包括基於隨機遊走的方法及其在知識圖譜.上的應用。再後，本書對高度成功的圖神經網絡(GraphNeuralNetwork，GNN)進行了技術上的綜合介紹，等

(美)威廉·漢密爾頓 著 AI TIME 譯