本书深入剖析了图神经网络领域所面临的两大核心挑战：深度加深模型退化和监督信息过度依赖。针对这两大挑战，本书提出了一系列解决思路，涵盖模型结构设计、训练策略优化等方面的内容。全书共7章，第1章主要介绍了图神经网络研究的背景与意义，阐述了近年来国内外网络表示学习与图神经网络的研究现状，分析了图神经网络当前面临的挑战及其主要问题等；第2章主要对图神经网络进行概要论述，包括基础的理论、典型的模型方法及应用；第3章针对图神经网络在节点聚合过程中面临的节点邻域混杂的问题，提出了一种基于混合阶的图神经网络模型；第4章针对图神经网络在节点交互过程中面临的全局结构信息缺失问题，提出了一种基于拓扑结构自适应的图神经网络模型；第5章针对自监督信息缺失且包含噪声的问题，提出了一种图结构与节点属性联合学习的变分图自编码器模型；第6章针对节点自监督信息贡献不做区分的问题，提出了一种基于注意力机制的图对比学习模型；第7章总结全书并对图神经网络可能的研究方向进行展望。 本书可供从事人工智能、数据挖掘、机器学习及网络数据分析等相关领域的科研及工程人员参考，也可作为高等院校计算机、人工智能等专业本科生与研究生的学习参考书。

目 录
第 1 章 绪论
1.1 图神经网络研究的背景及意义
1.2 网络表示学习与图神经网络国内外研究现状
1.2.1 基于矩阵特征向量的方法
1.2.2 基于随机游走的方法
1.2.3 基于矩阵分解的方法
1.4 研究内容和组织结构
1.5 本章小结
第 2 章 图神经网络
2.1 神经网络基础
2.1.1 神经元模型与感知机
2.1.2 前馈神经网络
2.1.3 卷积神经网络
2.1.4 循环神经网络
2.1.5 自编码器
2.2 图数据
2.2.1 生活生产中的图数据
2.2.2 图数据的分类
2.2.3 图任务
2.3 图神经网络方法
2.3.1 图卷积神经网络
2.3.2 图注意力网络
2.3.3 图自编码器
2.4 图神经网络的应用
2.4.1 在计算机视觉领域的应用
2.4.2 在自然语言处理领域的应用
2.4.3 在生物化学领域的应用
2.4.4 在物理学领域的应用
2.5 本章小结
第 3 章 基于混合阶的图神经网络模型
3.1 引言
3.2 基于混合阶的图神经网络模型介绍
3.2.1 符号及其含义
3.2.2 总体框架
3.2.3 基于图卷积神经网络学习器模块
3.2.4 集成模块
3.3 实验分析
3.3.1 实验设置
3.3.2 实验结果
3.4 本章小结
第 4 章 基于拓扑结构自适应的图神经网络模型
4.1 引言
4.2 基于拓扑结构自适应的图神经网络模型介绍
4.2.1 符号及其含义
4.2.2 总体框架
4.2.3 边强度计算模块
4.2.4 有指导去边模块
4.2.5 图神经网络学习器模块
4.2.6 时间复杂度分析
4.2.7 理论分析
4.3 实验分析
4.3.1 实验设置
4.3.2 实验结果
4.4 本章小结
第 5 章 图结构与节点属性联合学习的变分图自编码器模型
5.1 引言
5.2 预备知识
5.2.1 符号及其含义
5.2.2 图卷积神经网络
5.2.3 图信号处理
5.3 图结构与节点属性联合学习的变分图自编码器模型介绍
5.3.1 总体框架
5.3.2 编码器
5.3.3 解码器
5.3.4 优化过程
5.4 实验分析
5.4.1 实验设置
5.4.2 实验结果
5.5 本章小结
第 6 章 基于注意力机制的图对比学习模型
6.1 引言
6.2 预备知识
6.2.1 符号及其含义
6.2.2 图对比学习
6.3 基于注意力机制的图对比学习模型介绍
6.3.1 图增广模块
6.3.2 节点嵌入模块
6.3.3 半监督图对比学习模块
6.3.4 优化处理模块
6.3.5 复杂度分析
6.3.6 收敛性分析
6.4 实验分析
6.4.1 实验设置
6.4.2 实验结果
6.5 本章小结
第 7 章 总结与展望
参考文献
后记