序

关系结构在现实世界中无处不在。例如，人与人之间的社交关系、公司之间的交易关系以及蛋白质之间的生物关系等。图和网络是描述这些结构化数据最常见的方式，其中对象和关系分别被映射为节点和边。随着机器学习和深度学习技术的巨大成功，如何对图进行数值表示已成为网络分析中的一个基本问题。特别地，图表示学习已在过去十年广受关注，旨在将网络中的每个节点编码为低维向量。最近，基于图神经网络的表示学习方法在各种基于图的应用中展现出卓越的优势，成为图表示学习的最新范式。图神经网络在节点级和图级任务中表现良好，并极大地推动了图表示学习在现实世界中的广泛应用，涵盖了从经典的基于图的应用（如推荐系统和社交网络分析）到新的前沿领域（如组合优化、物理学和医疗）。图神经网络的广泛应用使得来自不同学科的多样化贡献和观点成为可能，还使得这个研究领域真正实现了跨学科。

本书全面介绍了图神经网络的基础知识和前沿主题，主要分为三部分：第一部分（第1和第2章）介绍图神经网络的基本定义和发展历程；第二部分（第3 ～ 8章）涵盖了图神经网络的前沿主题；第三部分（第9章）讨论了图神经网络未来的发展方向。本书从图表示学习的基础知识开始，介绍了图神经网络的多个前沿研究方向，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、图神经网络平台等。如果说基础知识有助于读者快速了解图神经网络的优点，那么图神经网络的各种前沿主题则有望激励读者开发自己的模型。无论是学术界还是工业界的初学者，抑或有经验的研究人员，都有望从本书的内容中获益。

本书的作者多年来一直从事图表示学习的研究，在基础算法的研发方面颇有建树。其中，石川自2010年以来与我建立了紧密的合作关系。他在异质信息网络分析方面做了许多重要的工作，推动了该领域的发展。王啸和杨成是图表示学习领域的新星学者，发表了多篇引用量很高的论文。我了解到这些优秀的年轻研究人员组建了一个快速崛起的实验室，专注于图数据挖掘和机器学习，由石川带队，名为GAMMA Lab，而本书正是GAMMA Lab在图神经网络领域所做工作的系统性总结。我希望读者能通过学习本书的内容，对自己的工作或研究有所裨益。

俞士纶

伊利诺伊大学芝加哥分校杰出教授