图神经网络

这不是一本适合从头读到尾的入门教材，而是一部按细分方向汇编的图神经网络前沿综述集。全书27章由不同领域的研究者分写，每章独立成文，权威性可观，但章节间缺乏协调：同一概念反复出现，公式来回复用，参考文献也未按章节区分，查阅不便。正因如此，它的真正价值在于“导航”——为你梳理GNN各方向的完整知识框架，标出值得深入的方向，然后引导你回到原始论文。它几乎没有工程实现，全是理论推演，因此更适合有一定基础、需要快速摸清领域版图的研究者与从业者，而非零基础求入门的读者。如果你把它当作一份“权威但割裂”的领域地图来用，它会很有用；若指望系统连贯地学会GNN，可能会失望。

☆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统等领域的知名研究人员。他擅长为新型数据密集型应用开发有效和高效的数据分析技术，并将其研究成果转化为产品和商业实践。自2000年以来，他已经出版一本教科书、两本专著，并在众多极具影响力的会议或期刊上发表300多篇论文。 ☆赵亮博士 埃默里大学计算科学系助理教授。曾在乔治梅森大学信息科学与技术系和计算机科学系担任助理教授。于2016年在弗吉尼亚理工大学计算机科学系获得博士学位。研究兴趣包括数据挖掘、人工智能和机器学习，在时空和网络数据挖掘、图深度学习、非凸优化、事件预测和可解释机器学习等方面有深入研究。