本书致力于介绍图神经网络的基本概念和算法、研究前沿以及广泛和新兴的应用，
涵盖图神经网络的广泛主题，
从基础到前沿，从方法到应用，涉及从方法论到应用场景方方面面的内容。
★编辑推荐：
对人工智能来说，图神经网络有可能是将概率学习与符号推理结合起来的一种工具，有可能成为将数据驱动与知识驱动结合起来的一座桥梁，有望推动第三代人工智能的顺利发展。本书是一本内容丰富、全面和深入介绍图神经网络的书籍，致力于介绍图神经网络的基本概念和算法、研究前沿以及广泛和新兴的应用，旨在涵盖图神经网络的广泛主题，从基础到前沿，从方法到应用，涉及从方法论到应用场景方方面面的内容。对于所有需要了解这个领域或掌握这种方法与工具的科学家、工程师和学生都是一部很好的参考书。
★内容简介：
全书分为四部分：
第一部分介绍图神经网络的基本概念；
第二部分讨论图神经网络成熟的方法；
第三部分介绍图神经网络典型的前沿领域；
第四部分描述可能对图神经网络未来研究比较重要和有前途的方法与应用的进展情况。
※本书适合高年级本科生和研究生、博士后研究人员、讲师以及行业从业者阅读与参考。
☆吴凌飞博士
毕业于美国公立常春藤盟校之一的威廉与玛丽学院计算机系。目前他是Pinterest公司主管知识图谱和内容理解的研发工程经理。曾任京东硅谷研究中心的首席科学家和IBM Thomas J. Vatson Research Centerl的高级研究员。主要研究方向是机器学习、表征学习和自然语言处理的有机结合，在图神经网络及其应用方面有深入研究。他在机器学习、深度学习等领域的著名会议或期刊上发表100多篇论文。
☆崔鹏博士
清华大学计算机系终身副教授。于2010年在清华大学获得博士学位。研究兴趣包括数据挖掘、机器学习和多媒体分析，擅长网络表示学习、因果推理和稳定学习、社会动力学建模和用户行为建模等。他在机器学习和数据挖掘领域的著名会议或期刊上发表100多篇论文。
☆裴健博士
杜克大学电子与计算机工程系教授。他是数据科学、大数据、数据挖掘和数据库系...
- "图神经网络(Graph Neural Network，GNN)是近年来在传统深层神经网络基础上发展起来的一个新领域，也可以称之为图上的深度学习。20世纪末，基于传统人工神经网络的深度学习迅猛发展，深刻影响了各个学科，并促使基于数据驱动的第二代人工智能的崛起。尽管深度学习在处理大数据上表现出许多优势，但它仅能有效地处理欧式空间的数据(如图像)和时序结构的数据(如文本)，应用范围很有限。一方面，大量的实际问题，如社交网络，生物网络和推荐系统等都不满足欧式空间或时序结构的条件，需要用更一般的图结构加以表示。另一方面，虽然深度学习可以处理图像、语音和文本等，并取得不错的效果，但这些媒体均属分层递阶(h"
- "图像表征学习是理解各种视觉数据(如照片、医学图像、文件扫描和视频流等)的语义的一个基本问题。通常情况下，图像处理中的图像表征学习的目标是弥合像素数据和图像语义之间的语义差距。图像表征学习已经成功解决了现实世界里的许多问题，包括但不限于图像搜索、面部识别、医学图像分析、照片处理和目标检测等。 近年来，我们见证了图像表征学习从手工特征工程到通过深度神经网络模型自动处理的快速发展过程。传统上，图像的模式是由人们基于先验知识借助手工特征提取的。例如，Huang et al (2000)从笔画中提取了字符的结构特征，然后用它们识别手写字符。Rui (2005) 采用形态学方法改善了字符的局部特征，然后使"
