来源：专知本文为书籍分享，建议阅读5分钟本书全面介绍了图神经网络的基本概念，模型和应用。
地址：
http://nlp.csai.tsinghua.edu.cn/~lzy/books/gnn_2020.html
内容概要：
在复杂的实际应用中，图是有用的数据结构，例如对物理系统进行建模，学习分子指纹，控制交通网络以及在社交网络中推荐朋友。但是，这些任务需要处理包含元素之间的丰富关系信息且无法通过传统深度学习模型（例如卷积神经网络（CNN）或递归神经网络（RNN））妥善处理的非欧氏图数据。图中的节点通常包含有用的特征信息，这些信息在大多数无监督的表示学习方法（例如，网络嵌入方法）中无法很好地解决。图神经网络（GNN）被提出来结合特征信息和图结构，以通过特征传播和聚集学习更好的图表示。由于其令人信服的性能和高解释性，GNN最近已成为一种广泛应用的图分析工具。
本书全面介绍了图神经网络的基本概念，模型和应用。首先介绍了vanilla GNN模型。然后介绍了vanilla模型的几种变体，例如图卷积网络，图递归网络，图注意力网络，图残差网络和一些通用框架。还包括不同图类型的变体和高级训练方法。对于GNN的应用，该书分为结构，非结构和其他场景，然后介绍了解决这些任务的几种典型模型。最后，最后几章提供了GNN的开放资源以及一些未来方向的展望。
本书组织如下。在第1章中进行了概述之后，在第2章中介绍了数学和图论的一些基本知识。在第3章中介绍了神经网络的基础，然后在第4章中简要介绍了香草GNN。四种类型的模型分别在第5、6、7和8章中介绍。在第9章和第10章中介绍了不同图类型和高级训练方法的其他变体。然后在第11章中提出了几种通用的GNN框架。第12、13和14章介绍了GNN在结构场景，非结构场景和其他场景中的应用。最后，我们在第15章提供了一些开放资源，并在第16章总结了这本书。
作者：
刘知远，清华大学计算机系自然语言处理实验室, 副教授。2006年获得清华大学计算机科学与技术系学士学位，2011年获得博士学位。他的研究兴趣是自然语言处理和社会计算。在IJCAI、AAAI、ACL、EMNLP等国际期刊和会议上发表论文60余篇。
http://nlp.csai.tsinghua.edu.cn/~lzy/index_cn.html
周界是清华大学计算机科学与技术系硕士二年级学生。他于2016年获得清华大学学士学位。他的研究兴趣包括图形神经网络和自然语言处理。
图书目录：
- 前言
- 致谢
- 第一章: 引言
- 第二章: 数学和图的基础知识
- 第三章: 神经网络的基础知识
- 第四章: Vanilla 图神经网络
- 第五章: 图卷积网络
- 第六章: 图递归网络
- 第七章: 图注意力网络
- 第八章 : 图残差网络
- 第九章: 同图形型的变体
- 第十章: 高级训练方法的变体
- 第十一章: 一般框架
- 第十二章: 应用——结构场景
- 第十三章: 应用——非结构性场景
- 第十四章: 应用——其他场景
- 第十五章: 开放资源
- 第十六章: 结论
- 参考书目
书本样章：
