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。

石川，北京邮电大学计算机学院教授、博士研究生导师、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。在数据挖掘领域的一流期刊和会议（如IEEE TKDE、KDD、WWW、AAAI、IJCAI）发表论文60余篇，出版中英文专著3部。研究成果获得省部级奖励4项，并应用于顶尖IT企业。曾获北京市高等学校青年英才和师德先锋等称号。

第1章 概述
1.1 基本概念
1.1.1 图的定义和属性
1.1.2 复杂图
1.1.3 图上的计算任务
1.2 图神经网络的发展
1.2.1 图表示学习的历史
1.2.2 图神经网络的前沿
1.3 本书的组织结构
第2章 基础图神经网络
2.1 引言
2.2 图卷积网络
2.2.1 概述
2.2.2 GCN模型
2.3 归纳式图卷积网络
2.3.1 概述
2.3.2 GraphSAGE模型
2.4 图注意力网络
2.4.1 概述
2.4.2 GAT模型
2.5 异质图注意力网络
2.5.1 概述
2.5.2 HAN模型
第3章 同质图神经网络
3.1 引言
3.2 自适应多通道图卷积网络
3.2.1 概述
3.2.2 实验观察
3.2.3 AM-GCN模型
3.2.4 实验
3.3 融合高低频信息的图卷积网络
3.3.1 概述
3.3.2 实验观察
3.3.3 FAGCN模型
3.3.4 实验
3.4 图结构估计神经网络
3.4.1 概述
3.4.2 GEM模型
3.4.3 实验
3.5 基于统一优化框架的图神经网络
3.5.1 概述
3.5.2 预备知识
3.5.3 GNN-LF HF模型
3.5.4 实验
3.6 本章小结
3.7 扩展阅读
第4章 异质图神经网络
4.1 引言
4.2 异质图传播网络
4.2.1 概述
4.2.2 HPN模型
4.2.3 实验
4.3 基于距离编码的异质图神经网络
4.3.1 概述
4.3.2 DHN模型
4.3.3 实验
4.4 基于协同对比学习的自监督异质图神经网络
4.4.1 概述
4.4.2 HeCo模型
4.4.3 实验
4.5 本章小结
4.6 扩展阅读
第5章 动态图神经网络
5.1 引言
5.2 基于微观和宏观动态性的图表示学习
5.2.1 概述
5.2.2 M2DNE模型
5.2.3 实验
5.3 基于异质霍克斯过程的动态异质图表示学习
5.3.1 概述
5.3.2 HPGE模型
5.3.3 实验
5.4 基于动态元路径的时序异质图神经网络
5.4.1 概述
5.4.2 DyMGNN模型
5.4.3 实验
5.5 本章小结
5.6 扩展阅读
第6章 双曲图神经网络
6.1 引言
6.2 双曲图注意力网络
6.2.1 概述
6.2.2 HAT模型
6.2.3 实验
6.3 洛伦兹图卷积网络
6.3.1 概述
6.3.2 LGCN模型
6.3.3 实验
6.4 双曲异质图表示
6.4.1 概述
6.4.2 HHNE模型
6.4.3 实验
6.5 本章小结
6.6 扩展阅读
第7章 图神经网络的知识蒸馏
7.1 引言
7.2 图神经网络的先验知识蒸馏
7.2.1 概述
7.2.2 CPF框架
7.2.3 实验
7.3 温度自适应的图神经网络知识蒸馏
7.3.1 概述
7.3.2 LTD框架
7.3.3 实验
7.4 图神经网络的无数据对抗知识蒸馏
7.4.1 概述
7.4.2 DFAD-GNN框架
7.4.3 实验
7.5 本章小结
7.6 扩展阅读
第8章 图神经网络平台和实践
8.1 引言
8.2 基础知识
8.2.1 深度学习平台
8.2.2 图神经网络平台
8.2.3 GammaGL平台
8.3 图神经网络在GammaGL上的实践
8.3.1 创建自己的图
8.3.2 创建消息传递网络
8.3.3 高级小批量
8.3.4 GIN实践
8.3.5 GraphSAGE实践
8.3.6 HAN实践
8.4 本章小结
第9章 未来方向和总结
9.1 未来方向
9.1.1 自监督学习
9.1.2 鲁棒性
9.1.3 可解释性
9.1.4 公平性
9.1.5 自然科学应用
9.2 总结
参考文献