更新时间：2022-12-20 18:19:25
封面
版权信息
版权
内容提要
推荐语（按姓氏拼音排序）
推荐序
前言
致谢
编者简介
撰稿人名单（按姓氏拼音排序）
术语
主要符号
资源与支持
第一部分 引言
第1章 表征学习
1.1 导读
1.2 不同领域的表征学习
1.3 小结
第2章 图表征学习
2.1 导读
2.2 传统图嵌入方法
2.3 现代图嵌入方法
2.4 图神经网络
2.5 小结
第3章 图神经网络
3.1 导读
3.2 图神经网络概述
3.3 小结
第二部分 基础
第4章 用于节点分类的图神经网络
4.1 背景和问题定义
4.2 有监督的图神经网络
4.3 无监督的图神经网络
4.4 过平滑问题
4.5 小结
第5章 图神经网络的表达能力
5.1 导读
5.2 图表征学习和问题的提出
5.3 强大的消息传递图神经网络
5.4 比1-WL测试更强大的图神经网络架构
5.5 小结
第6章 图神经网络的可扩展性
6.1 导读
6.2 引言
6.3 抽样范式
6.4 大规模图神经网络在推荐系统中的应用
6.5 未来的方向
第7章 图神经网络的可解释性
7.1 背景：深度模型的可解释性
7.2 图神经网络的解释方法
7.3 图神经网络的可解释模型
7.4 图神经网络解释的评估
7.5 未来的方向
第8章 图神经网络的对抗鲁棒性
8.1 动机
8.2 图神经网络的局限性：对抗性样本
8.3 可证明的鲁棒性：图神经网络的认证
8.4 提高图神经网络的鲁棒性
8.5 从鲁棒性的角度进行适当评估
8.6 小结
第三部分 前沿
第9章 图分类
9.1 导读
9.2 用于图分类的图神经网络：典型工作和现代架构
9.3 池化层：从节点级输出学习图级输出
9.4 图神经网络和高阶层在图分类中的局限性
9.5 图神经网络在图分类中的应用
9.6 基准数据集
9.7 小结
第10章 链接预测
10.1 导读
10.2 传统的链接预测方法
10.3 基于GNN的链接预测方法
10.4 链接预测的理论
10.5 未来的方向
第11章 图生成
11.1 导读
11.2 经典的图生成模型
11.3 深度图生成模型
11.4 小结
第12章 图转换
12.1 图转换问题的形式化
12.2 节点级转换
12.3 边级转换
12.4 节点-边共转换
12.5 其他基于图的转换
12.6 小结
第13章 图匹配
13.1 导读
13.2 图匹配学习
13.3 图相似性学习
13.4 小结
第14章 图结构学习
14.1 导读
14.2 传统的图结构学习
14.3 图神经网络的图结构学习
14.4 未来的方向
14.5 小结
第15章 动态图神经网络
15.1 导读
