图数据是对万物间联系的一般抽象，广泛存在于各行各业中。图表征学习为图数据的建模与分析提供了新范式，是近年来机器学习与数据挖掘领域的热门研究方向，并被有效地应用于推荐系统、交通预测等众多领域。本书将全面介绍图表征学习，特别是针对处于真实世界动态、开放环境之中图数据的图表征学习方法。本书分为3 篇：第1 篇介绍图嵌入和图神经网络等经典图表征学习方法；第2 篇围绕鲁棒性、动态性、可解释性、分布外泛化性等多个角度，系统地介绍针对动态开放环境中的图表征学习方法；第3 篇以四个不同领域为例，从推荐系统、交通预测、自然语言处理、组合优化等场景，介绍图表征学习的应用方法。除了对代表性方法进行详细介绍，本书还提供了丰富的参考文献，读者可以更深入地学习图表征学习的前沿内容。本书适合具有一定机器学习基础的高年级本科生、研究生、教师和研究者，以及对图数据感兴趣的计算机工程师和从业人员阅读，也适合对人工智能、深度学习和图数据分析感兴趣的其他人士参考。
朱文武清华大学计算机科学与技术系教授，清华大学人工智能研究院大数据智能中心主任，信息科学与技术国家研究中心副主任，国家973项目首席科学家。欧洲科学院院士、ACM Fellow、IEEE Fellow、AAAS Fellow、SPIE Fellow。曾任微软亚洲研究院主任研究员、英特尔中国研究院首席科学家与总监及美国贝尔实验室研究员等职。主要从事多媒体智能计算、大数据分析等研究工作。曾担任IEEE Transactions on Multimedia主编、指导委员会主席。10次获国际最佳论文奖。获2018年度国家自然科学二等奖（排名第1）和2012年度国家自然科学二等奖（排名第2）。王 鑫清华大学计算机科学与技术系助理研究员，中国计算机学会多媒体专业技术委员会副秘书长，清华大学博士后校友会秘书处副秘书长。主要研究方向为多媒体智能、媒体大数据、机器学习等，在IEEE TPAMI、ICML、NeurIPS、ACM Multimedia等相关领域国际顶级期刊或会议上发表论文100余篇。承担国家优秀青年科学基金等项目，获2017年度中国博士后创新人才支持计划、2020年度ACM中国新星奖、2022年度IEEE TCMC新星奖、2022年度教育部自然科学一等奖。张子威清华大学计算机科学与技术系博士后，清华大学数理基科班学士、计算机系博士。主要研究方向为图机器学习，在国际顶级期刊和会议上发表论文30余篇，谷歌学术引用超过3000次。曾获清华大学优秀博士毕业生与优秀博士毕业论文、吴文俊人工智能优秀博士学位论文提名，入选百度AI华人新星百强榜单、AI 2000学者榜单、2022年博士后创新人才支持计划。
第1 章概述/1
1.1 引言/1
1.2 图基础知识/3
1.3 机器学习基础知识/7
第1 篇经典图表征学习
第2 章图嵌入/13
2.1 基于随机游走的图嵌入/13
2.2 基于矩阵分解的图嵌入/18
2.3 基于深度自编码器的图嵌入/21
2.4 本章小结/24
第3 章图神经网络/25
3.1 谱域图神经网络/26
3.2 空域图神经网络/34
3.3 消息传递图神经网络/41
3.4 图池化/47
3.5 本章小结/53
第4 章图表征学习理论分析/54
4.1 图信号处理/54
4.2 图同构测试/58
4.3 图神经网络表达能力/61
4.4 过平滑与深层图神经网络/64
4.5 本章小结/68
第2 篇动态开放环境图表征学习
第5 章鲁棒图表征学习/71
5.1 图数据上的对抗样本/71
5.2 图对抗攻击的分类/73
5.3 图神经网络模型上的攻击与防御方法/75
5.4 本章小结/78
第6 章解耦图表征学习.79
6.1 基于变分自编码器的解耦图神经网络/79
6.2 基于邻域路由机制的解耦图神经网络/81
6.3 基于其他思想的解耦图神经网络/87
6.4 本章小结/90
第7 章动态图表征学习/91
7.1 动态图数据/91
7.2 离散时间动态图表征学习/92
7.3 连续时间动态图表征学习/94
7.4 本章小结/96
第8 章无监督图神经网络与自监督图神经网络/97
8.1 无监督学习的图神经网络/97
8.2 自监督学习的图神经网络/99
8.3 本章小结/106
第9 章图神经网络的可解释性/107
9.1 简介/107
9.2 可解释方法分类/109
9.3 实例级局部解释/110
9.4 模型级全局解释/114
9.5 对解释模型的评价/115
9.6 可解释性的交叉学科应用/117
9.7 本章小结/118
第10 章自动图表征学习/119
10.1 自动机器学习简介/119
10.2 图超参数优化/120
10.3 图神经网络架构搜索/122
10.4 本章小结/132
第11 章元学习与图表征学习/133
11.1 元学习简介/133
11.2 图上的元学习/136
11.3 本章小结/143
第12 章分布外泛化图表征学习/144
12.1 图分布外泛化问题和分类/145
12.2 数据层面方法/148
12.3 模型层面方法/151
12.4 学习策略/155
12.5 理论分析/162
12.6 本章小结/163
第3 篇图表征学习的应用
第13 章推荐系统/167
13.1 通用推荐/168
13.2 序列推荐/176
13.3 本章小结/179
第14 章交通预测/180
14.1 时空图/181
14.2 时空图神经网络模型/181
14.3 本章小结/188
第15 章自然语言处理/189
15.1 文本分类/189
15.2 关系抽取/192
15.3 文本生成/193
15.4 问答系统/196
15.5 其他任务/198
15.6 本章小结/198
第16 章组合优化/199
16.1 简介/199
16.2 预备知识/200
16.3 寻找可行解/201
16.4 本章小结/207
第17 章图表征学习展望/209
参考文献/211
书单推荐
