本书全面介绍了图神经网络的基础和前沿内容，以及图表示学习的基本概念和定义，并讨论了高级图表示学习方法的发展，旨在帮助研究人员和从业者了解图神经网络的基本问题。此外，本书探讨了图神经网络的几个前沿主题，包括利用图数据描述社会科学、化学和生物学等领域的真实数据的关系，还介绍了图神经网络的若干前沿趋势，能够帮助读者进一步掌握图神经网络所涉及的技术。
本书适合所有想了解图神经网络基本问题和技术的人，包括但不限于高等院校计算机专业高年级本科生及研究生、科研人员以及相关从业者。
1. 本书全面介绍了图神经网络的基础和前沿内容，以及图表示学习的基本概念和定义，并讨论了高级图表示学习方法的发展；
2. 国内图领域研究领域优秀团队核心成员共同编写，适合所有想了解图神经网络基本问题和技术的人，包括但不限于高等院校计算机专业高年级本科生及研究生、科研人员以及相关从业者。
3. 涵盖图神经网络的几个前沿主题，例如利用图数据描述社会科学、化学和生物学等领域的真实数据的关系等。
石川 北京邮电大学教授，智能通信软件与多媒体北京市重点实验室副主任。主要研究方向为数据挖掘、机器学习、人工智能和大数据分析。近 5 年来，以第一作者或通讯作者的身份在 CCF A 类期刊和相关会议上发表论文 60 余篇，出版中、英文专著 5 部。相关研究成果广泛应用于头部 IT 企业。获得中国电子学会科学技术科技进步奖一等奖、北京市自然科学二等奖。
王啸 北京航空航天大学教授，博士生导师。研究方向为数据挖掘与机器学习。主持国家自然科学基金优秀青年基金等项目，发表论文 100 余篇，3 次获得 / 提名 CCF A/B 类等国际会议论文奖。荣获教育部自然科学奖一等奖、中国电子学会科学技术进步奖一等奖、吴文俊人工智能优秀青年奖和 ACM 中国新星提名奖。曾入选斯坦福大学发布的“全球前 2% 顶尖科学家”和 AMiner 评选的“AI 2000 最具影响力学者”。
杨成 北京邮电大学副教授，研究方向为数据挖掘和自然语言处理。发表相关领域 CCF A/B 类论文 50 余篇，相关成果获得教育部自然科学奖一等奖。曾获中文信息学会优秀博士论文奖，入选 AMiner 评选的“AI 2000 最具影响力学者”和百度发布的首届“AI 华人青年学者百强”榜单。
第 1 章 概述 1
1.1 基本概念 1
1.1.1 图的定义和属性 1
1.1.2 复杂图 3
1.1.3 图上的计算任务 5
1.2 图神经网络的发展 6
1.2.1 图表示学习的历史 6
1.2.2 图神经网络的前沿 7
1.3 本书的组织结构 8
第 2 章 基础图神经网络 10
2.1 引言 10
2.2 图卷积网络 11
2.2.1 概述 11
2.2.2 GCN 模型 12
2.3 归纳式图卷积网络 13
2.3.1 概述 14
2.3.2 GraphSAGE 模型 14
2.4 图注意力网络 16
2.4.1 概述 17
2.4.2 GAT 模型 17
2.5 异质图注意力网络 19
2.5.1 概述 19
2.5.2 HAN 模型 19
第 3 章 同质图神经网络 23
3.1 引言 23
3.2 自适应多通道图卷积网络 24
3.2.1 概述 24
3.2.2 实验观察 24
3.2.3 AM-GCN 模型 25
3.2.4 实验 30
3.3 融合高低频信息的图卷积网络 32
3.3.1 概述 32
3.3.2 实验观察 32
3.3.3 FAGCN 模型 33
3.3.4 实验 35
3.4 图结构估计神经网络 37
3.4.1 概述 37
3.4.2 GEM 模型 37
3.4.3 实验 43
3.5 基于统一优化框架的图神经网络 44
3.5.1 概述 44
3.5.2 预备知识 45
3.5.3 GNN-LF/HF 模型 46
3.5.4 实验 50
3.6 本章小结 51
3.7 扩展阅读 51
第 4 章 异质图神经网络 53
4.1 引言 53
4.2 异质图传播网络54
4.2.1 概述 54
4.2.2 HPN 模型 55
4.2.3 实验 58
4.3 基于距离编码的异质图神经网络 60
4.3.1 概述 60
4.3.2 DHN 模型 61
4.3.3 实验 64
4.4 基于协同对比学习的自监督异质图神经网络 66
4.4.1 概述 66
4.4.2 HeCo 模型 66
4.4.3 实验 71
4.5 本章小结 73
4.6 扩展阅读 74
第 5 章 动态图神经网络 75
5.1 引言 75
5.2 基于微观和宏观动态性的图表示学习 75
5.2.1 概述 75
5.2.2 M2DNE 模型 76
5.2.3 实验 79
5.3 基于异质霍克斯过程的动态异质图表示学习 81
5.3.1 概述 81
5.3.2 HPGE 模型 82
5.3.3 实验 85
5.4 基于动态元路径的时序异质图神经网络 87
5.4.1 概述 87
5.4.2 DyMGNN 模型 88
5.4.3 实验 91
5.5 本章小结 93
5.6 扩展阅读 93
第 6 章 双曲图神经网络 94
6.1 引言 94
6.2 双曲图注意力网络 95
6.2.1 概述 95
6.2.2 HAT 模型 95
6.2.3 实验 99
6.3 洛伦兹图卷积网络 101
6.3.1 概述 101
6.3.2 LGCN 模型 101
6.3.3 实验 104
6.4 双曲异质图表示 106
6.4.1 概述 106
6.4.2 HHNE 模型 107
6.4.3 实验 109
6.5 本章小结 112
6.6 扩展阅读 112
第 7 章 图神经网络的知识蒸馏 113
7.1 引言 113
7.2 图神经网络的先验知识蒸馏 114
7.2.1 概述 114
7.2.2 CPF 框架 114
7.2.3 实验 117
7.3 温度自适应的图神经网络知识蒸馏 119
7.3.1 概述 119
7.3.2 LTD 框架 120
7.3.3 实验 123
7.4 图神经网络的无数据对抗知识蒸馏 124
7.4.1 概述 124
7.4.2 DFAD-GNN 框架 124
7.4.3 实验 127
7.5 本章小结 129
7.6 扩展阅读 130
第 8 章 图神经网络平台和实践 131
8.1 引言 131
8.2 基础知识 132
8.2.1 深度学习平台 132
8.2.2 图神经网络平台 136
8.2.3 GammaGL 平台 139
8.3 图神经网络在 GammaGL 上的实践 142
8.3.1 创建自己的图 142
8.3.2 创建消息传递网络 144
8.3.3 高级小批量 146
8.3.4 GIN 实践 146
8.3.5 GraphSAGE 实践 148
8.3.6 HAN 实践 151
8.4 本章小结 153
第 9 章 未来方向和总结 154
9.1 未来方向 154
9.1.1 自监督学习 154
9.1.2 鲁棒性 154
9.1.3 可解释性 155
9.1.4 公平性 156
9.1.5 自然科学应用 156
9.2 总结 157
参考文献 159
书单推荐
