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、ACMFellow、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/EEE 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）。

第1章 概述
1.1 引言
1.2 图基础知识
1.3 机器学习基础知识
第1篇 经典图表征学习
第2章 图嵌入
2.1 基于随机游走的图嵌入
2.2 基于矩阵分解的图嵌入
2.3 基于深度自编码器的图嵌入
2.4 本章小结
第3章 图神经网络
3.1 谱域图神经网络
3.2 空域图神经网络
3.3 消息传递图神经网络
3.4 图池化
3.5 本章小结
第4章 图表征学习理论分析
4.1 图信号处理
4.2 图同构测试
4.3 图神经网络表达能力
4.4 过平滑与深层图神经网络
4.5 本章小结
第2篇 动态开放环境图表征学习
第5章 鲁棒图表征学习
5.1 图数据上的对抗样本
5.2 图对抗攻击的分类
5.3 图神经网络模型上的攻击与防御方法
5.4 本章小结
第6章 解耦图表征学习
6.1 基于变分自编码器的解耦图神经网络
6.2 基于邻域路由机制的解耦图神经网络
6.3 基于其他思想的解耦图神经网络
6.4 本章小结
第7章 动态图表征学习
7.1 动态图数据
7.2 离散时间动态图表征学习
7.3 连续时间动态图表征学习
7.4 本章小结
第8章 无监督图神经网络与自监督图神经网络
8.1 无监督学习的图神经网络
8.2 自监督学习的图神经网络
8.3 本章小结
第9章 图神经网络的可解释性
9.1 简介
9.2 可解释方法分类
9.3 实例级局部解释
9.4 模型级全局解释
9.5 对解释模型的评价
9.6 可解释性的交叉学科应用
9.7 本章小结
第10章 自动图表征学习
10.1 自动机器学习简介
10.2 图超参数优化
10.3 图神经网络架构搜索
10.4 本章小结
第11章 元学习与图表征学习
11.1 元学习简介
11.2 图上的元学习
11.3 本章小结
第12章 分布外泛化图表征学习
12.1 图分布外泛化问题和分类
12.2 数据层面方法
12.3 模型层面方法
12.4 学习策略
12.5 理论分析
12.6 本章小结
第3篇 图表征学习的应用
第13章 推荐系统
13.1 通用推荐
13.2 序列推荐
13.3 本章小结
第14章 交通预测
14.1 时空图
14.2 时空图神经网络模型
14.3 本章小结
第15章 自然语言处理
15.1 文本分类
15.2 关系抽取
15.3 文本生成
15.4 问答系统
15.5 其他任务
15.6 本章小结
第16章 组合优化
16.1 简介
16.2 预备知识
16.3 寻找可行解
16.4 本章小结
第17章 图表征学习展望
参考文献