前言

在大数据时代，图数据得到了人们的广泛关注，在社交网络、生物网络以及推荐系统等多个领域都有应用。例如，在社交网络中，用户及其行为可以建模为图；在化学中，分子结构自然形成一个图；而在文本分析中，单词、句子和文本之间的关系也可以建模为图。尽管数据可能来自不同领域、拥有各种模态，但是都可以视为图，这意味着图将对人们生活的方方面面产生深远影响。因此，图分析有着重要的科学和应用价值。

要弥合图数据与现实世界应用之间的差距，我们所面临的一个基本问题就是图表示学习，即如何为图中的节点学习低维向量，以便可以基于新学习的向量而不是原始的图结构来进行应用。深度学习在某些领域（如计算机视觉）展现出了强大的能力，也是处理图数据的一种有前景的技术。与以前主要注重保留拓扑结构的图表示学习不同，图神经网络以逐层方式沿拓扑传播节点特征来学习节点表示，这样学到的表示自然地编码了来自节点特征和拓扑的有效信息。如今，图神经网络已成为深度学习中的典型网络架构，我们见证了它在推荐系统和生物网络等实际应用中的出色性能。关于图神经网络的研究成果越来越多，在学术界和工业界呈现全球化的发展趋势。有鉴于此，迫切需要对图神经网络的相关内容进行全面总结和讨论。

本书面向对图神经网络感兴趣的读者群体。总体而言，本书适合所有希望了解图神经网络的基本问题和技术的读者。特别地，我们希望大学生、研究人员以及在大学和IT公司工作的工程师能够从本书中获得启发。

本书分为三部分，读者可以在第一部分快速了解这个领域，在第二部分深入学习图神经网络的前沿主题，并在第三部分了解其未来的发展方向。

在第一部分（第1章和第2章）中，我们介绍了不同图的基本概念以及图神经网络的发展情况，包括几种典型的图神经网络，以期帮助读者快速了解这个领域的整体发展。特别是在第1章中，我们将总结基本概念和定义，以及图神经网络的发展历程。在第2章中，我们将介绍基本的图神经网络，包括图卷积网络等。

在第二部分（第3～8章）中，我们给出了对代表性图神经网络技术深入且详细的介绍，以期帮助读者了解这个领域的基本问题，以及如何为这些问题设计先进的图神经网络。特别是在第3章中，我们讨论了同质图神经网络，包括自适应多通道图卷积网络等。在第4章中，我们介绍了异质图神经网络，主要关注异质图传播网络等。随后，我们在第5章中介绍了动态图神经网络，例如时空图神经网络。在第6章中，我们介绍了双曲图神经网络，包括双曲图注意力网络和洛伦兹图卷积网络等。在第7章中，我们介绍了图神经网络的知识蒸馏和无数据对抗知识蒸馏等。最后，在第8章中，我们对一些成熟的图神经网络平台及其特点进行了描述，并介绍了支持多后端的图神经网络平台GammaGL。

在第三部分（第9章）中，我们就图神经网络未来的研究方向进行了总结和讨论。尽管已经有许多图神经网络方法，但仍存在诸多重要的尚未深入探索的开放性问题，例如图神经网络的鲁棒性和公平性。当把图神经网络应用于现实世界，特别是一些风险敏感领域时，这些问题需要慎重考虑。

本书得以顺利付梓，离不开所有参与者的努力和支持，在此对大家表示衷心的感谢！本书由北京邮电大学GAMMA Lab团队编写。在撰写本书过程中，张梦玫、朱美琪、薄德瑜、王睿嘉、纪厚业、刘念、吉余岗、陆元福、张依丁、刘佳玮、庄远鑫、郭雨心、赵天宇、刘曜齐等同学承担了内容的整理和审校工作；张中健、邢宇杰、刘洋、代皓燃、王春辰、程泓涛、闫博、佘俊达、孙奥等同学承担了翻译初稿的工作。

本书的编写还得到了国家自然科学基金（U20B2045、 U1936220、61772082、61702296、62002029和62172052）的支持。

最后，感谢我们的家人、朋友以及合作伙伴多年来给予的全心全意的支持！

石川　王啸　杨成

中国，北京