1.3　本书的组织结构

本书全面介绍了图神经网络的基础和前沿, 主要分为三部分: 第一部分 (第 1 和第2章) 介绍了图神经网络的基本定义和发展; 第二部分 (第 章) 涵盖了图神经网络的前沿主题, 包括同质图神经网络、异质图神经网络、动态图神经网络、双曲图神经网络、图神经网络的知识蒸馏、图神经网络平台和实践等; 第三部分 (第 9 章) 介绍了图神经网络的未来方向并做了全书总结。

● 第一部分: 这部分重点介绍了图的基础知识和图神经网络的发展。首先, 我们介绍了关键概念, 并定义了各种类型的复杂图和图上的计算任务。然后, 我们讨论了图神经网络的发展历程, 并提到了各种前沿的图神经网络。此外, 基础部分还介绍了较具代表性和基础的图神经网络模型, 包括图卷积网络 (Graph Convolutional Network, GCN)、图注意力网络 (Graph Attention Network, GAT) 和归纳式 GraphSAGE 模型。最后, 我们介绍了最具代表性的异质图注意力网络 (Heterogeneous graph Attention Network, HAN) 用于复杂图分析。

● 第二部分: 这部分从不同方面描述了图神经网络方法的进展。在第 3 章中, 我们回顾了一些关于同质图神经网络设计热点的最新研究, 涵盖了分析特征和拓扑关系的工作、提出 GNN 理论框架的工作、讨论 GNN 的高频和低频信息的工作, 以及为 GNN 设计图结构学习的工作。在第 4 章中, 我们介绍了最近的异质图神经网络, 其中考虑到了传播深度、距离建模、对抗性分离器和自我训练措施。在第 5 章中, 手们着重介绍了动态图分析方法, 提供了动态异质图神经网络设计的技术细节。在第 6 章中, 我们涵盖了一些双曲图神经网络的代表性研究。在第 7 章中, 我们讨论了用于图神经网络的先进知识蒸馏方法。在第 8 章中, 我们对一些成熟的 GNN 平台及其特点进行了描述, 并介绍了支持多后端的图学习平台 GammaGL。

● 第三部分: 这部分介绍了图神经网络未来研究中可能重要和有前途的方法及应用的进展。我们讨论了 GNN 中的一些先进主题, 如鲁棒性、可解释性、公平性等。相应地, 这部分还讨论了新兴的方法和应用领域。