图可以被用于表示各类对象之间的关系，而图神经网络是指专门用于处理图数据的深度学习模型，可实现对图数据的建模和推断。本书系统地介绍图神经网络的基本原理、常用模型和应用领域等。首先介绍两类最基本的图神经网络方法GCN和GraphSAGE，并给出图神经网络的学习目标、评价方法；其次对图神经网络中常用的模型结构进行深入解析，给出图神经网络在自然语言处理、推荐系统、风险控制等领域的应用，提供PyG和DGL两类图神经网络建模工具；最后探讨和给出几类自适应学习方法以实现图神经网络自适应学习目标。
本书内容丰富、体系完整、难度适中，适合从事图神经网络研究的学者和工程技术人员阅读。

第1章 图神经网络基础
1.1 图神经网络概念
1.2 基于谱域的图卷积神经网络
1.3 基于空域的图卷积神经网络
1.4 如何更好地理解GCN
1.5 GCN的实现过程
参考文献
第2章 图神经网络进阶
2.1 好的图表示是什么
2.2 自适应通用广义PageRank图神经网络
2.3 探索图神经网络的表达能力
2.4 知识推理不需要复杂的GNN
参考文献
第3章 图自编码器
3.1 图自编码器简介
3.2 变分图自编码器
参考文献
第4章 图卷积神经网络
4.1 图卷积神经网络简介
4.2 深度图卷积神经网络
参考文献
第5章 超图神经网络
5.1 动态超图神经网络
5.2 线图卷积神经网络：超图的图卷积应用
5.3 用于多标签图像分类的自适应超图神经网络
5.4 线图展开的超图注意同构网络
5.5 动态超图卷积网络
5.6 用于无参考360度图质量评估的自适应超图卷积网络
参考文献
第6章 常用的图神经网络工具
6.1 PyG
6.1.1 PyG介绍
6.1.2 PyG的核心组件
6.1.3 PyG中的图数据表示
6.1.4 PyG中的图神经网络模型
6.1.5 使用示例与案例
6.2 DGL
6.2.1 DGL介绍
6.2.2 DGL的核心组件
6.2.3 DGL中的图数据表示
6.2.4 DGL中的图神经网络模型
6.2.5 使用示例与案例
参考文献
第7章 自然语言处理与图神经网络
7.1 基于图神经网络的自然语言处理方法及应用
7.2 基于图学习的兴趣点模型
7.3 基于图神经网络的知识图谱表示
参考文献
第8章 推荐与图神经网络
8.1 应用与挑战
8.2 推荐算法设计与应用
8.3 Angle图神经网络在推荐场景下的实践
参考文献
第9章 风控与图神经网络
9.1 基于图神经网络的欺诈检测
9.2 图神经网络在反欺诈领域的应用
9.3 图神经网络的对抗攻防研究
参考文献
第10章 生物计算与图神经网络
10.1 图神经网络在生物计算领域的应用
10.2 基于梯度向量场的分子三维结构生成
参考文献
第11章 图神经网络自适应学习
11.1 图神经结构搜索
11.2 图神经网络自适应学习研究
11.3 结合知识图谱的图神经网络自适应学习研究
参考文献

图神经网络的研究并非仅限于复杂网络领域，而是
在自然语言处理、视频图像处理、商品推荐等领域也得
到了广泛的关注，同时在生物、化学、数学等学科中也
发挥了重要的作用。图神经网络是网络表示学习的一个
主要研究分支，传统的网络表示学习方法将网络中的节
点视为神经网络中的神经元，为其赋予低维度的表示向
量。然而，这种方法无法应用神经网络中的一些操作，
如卷积、池化等。这些操作在图像处理和视频分析中被
证明非常有效且高效，能够显著提升任务在后续机器学
习中的性能。因此，传统的网络表示学习方法的研究已
转向使用深度学习方法进行网络表示学习，即图神经网
络。目前的研究结果表明，即使未经任何优化，图神经
网络的性能也远优于大多数网络表示学习算法。
图神经网络的研究是当前人工智能领域的重点关注
方向，其价值不仅体现在每年国际顶级会议和期刊的大
量论文接收中，更在于其对其他交叉学科领域产生的深
远影响。例如，图神经网络在化学领域被用来探索新的
化学物质，在生物学领域被用来发现新的蛋白质结构。
在知识图谱领域，图神经网络的知识推理和知识发现能
力远超现有技术。利用图神经网络模型和训练，可以将
各类任务中的相关对象转化为图形的拓扑结构。
在网络搜索中，“图神经网络”的搜索结果也呈现
出其研究的热度，在百度搜索中得到了4000万以上的结
果，在Bing国际版中的搜索结果也达到了7000万。在学
术搜索中，“图神经网络”的结果也远超“网络表示学
习”，这进一步显示了图神经网络研究的广泛关注度。
虽然图神经网络的研究起源于网络表示学习，但其发展
快速，已经成为当前研究的主流。
然而，图神经网络的研究门槛较高，需要深入理解
神经网络的基础知识，同时对图论和复杂网络的知识也
需要了解。这使得从入门到熟练掌握图神经网络的相关
知识和研究方法需要较长的时间成本，尤其是在实践操
作上所需的时间更为长久。对于初学者而言，如何研究
图神经网络是他们最关心的问题。幸运的是，有许多专
著和教材，如《图神经网络基础与前沿》《图神经网络
导论》《图表示学习》《图深度学习》《深入浅出图神
经网络》等，为初学者提供了学习途径和资源。
为了降低初学者的学习难度，本书剔除了复杂的公
式推导，这是因为图神经网络中的傅里叶变换和拉普拉
斯矩阵等知识可能给初学者带来较大的学习难度。因此
，本书直接提供图神经网络中各层之间的传播公式，并
通过图解形式解释公式的含义，清晰地表述基于频域和
空域的图神经网络的差异。本书的一大亮点是提供了图
神经网络的一些最新观点和常用工具介绍。例如，在第
2章中，主要介绍如何提高图神经网络的表达力，以及
什么是更优的图表示等问题；在第6章中，主要介绍常
用的图神经网络开源工具，使初学者既能理解其原理，
又能掌握其实际应用。此外，本书还全面且详尽地介绍
了图自编码器、深度图神经网络、超图神经网络和图神
经网络的应用等关键知识。通过阅读本书，初学者无须
深究图神经网络的复杂原理，就能理解和掌握图神经网
络的相关知识。
本书由赵海兴、冶忠林、李明原、刘震合作完成。
此外，特别感谢孟磊、陈阳、王朝阳、唐春阳、李卓然
、唐彦龙、崔宝阳、李晓鑫、李格格、刘鸿凯、曹淑娟
、林晓菲、周琳、王雪力等在本书的撰写和校对工作中
付出的努力。
在本书的撰写过程中，参考了众多学者的网络博客
、授课视频、学术报告、专著教材和研究论文等，这些
研究成果为本书的撰写提供了丰富的素材，在本书中均
以参考文献的形式进行了标识，如果有不慎遗漏的，在
此表示诚挚的歉意。
本书得到了国家重点研发计划（项目编号：
2020YFC1523300）、青海省创新平台建设专项（项目编
号：2022-ZJ-T02）、青海师范大学中青年科研基金项
目（项目编号：2020QZR007）的资助。
由于作者水平有限，书中难免有疏漏之处，敬请同
行和读者批评指正（作者邮箱
yezhonglin@qhnu.edu.cn），在此深表感谢。
作者
2023年11月