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.WatsonResearch Center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。

第一部分 引言
第1章 表征学习
1.1 导读
1.2 不同领域的表征学习
1.2.1 用于图像处理的表征学习
1.2.2 用于语音识别的表征学习
1.2.3 用于自然语言处理的表征学习
1.2.4 用于网络分析的表征学习
1.3 小结
第2章 图表征学习
2.1 导读
2.2 传统图嵌入方法
2.3 现代图嵌入方法
2.3.1 保留图结构和属性的图表征学习
2.3.2 带有侧面信息的图表征学习
2.3.3 保留高级信息的图表征学习
2.4 图神经网络
2.5 小结
第3章 图神经网络
3.1 导读
3.2 图神经网络概述
3.2.1 图神经网络基础
3.2.2 图神经网络前沿
3.2.3 图神经网络应用
3.2.4 本书组织结构
3.3 小结
第二部分 基础
第4章 用于节点分类的图神经网络
4.1 背景和问题定义
4.2 有监督的图神经网络
4.2.1 图神经网络的一般框架
4.2.2 图卷积网络
4.2.3 图注意力网络
4.2.4 消息传递神经网络
4.2.5 连续图神经网络
4.2.6 多尺度谱图卷积网络
4.3 无监督的图神经网络
4.3.1 变分图自编码器
4.3.2 深度图信息最大化
4.4 过平滑问题
4.5 小结
第5章 图神经网络的表达能力
5.1 导读
5.2 图表征学习和问题的提出
5.3 强大的消息传递图神经网络
5.3.1 用于集合的神经网络
5.3.2 消息传递图神经网络
5.3.3 MP-GNN的表达能力
5.3.4 具有1-WL测试能力的MP-GNN
5.4 比1-WL测试更强大的图神经网络架构
5.4.1 MP-GNN的局限性
5.4.2 注入随机属性
5.4.3 注入确定性距离属性
5.4.4 建立高阶图神经网络
5.5 小结
第6章 图神经网络的可扩展性
6.1 导读
……
第三部分 前沿
第四部分 广泛和新兴的应用
参考文献