本书全面介绍了图深度学习的理论基础、模型方法及实际应用。全书分为4篇，共15章。第1篇为基础理论，重点介绍图和深度学习的基础知识，包括图的关键概念和属性、各种基础的神经网络模型、训练深度学习模型的关键方法以及防止训练过程中过度拟合的实用技术；第2篇为模型方法，涵盖了从基本设置到高级设置的成熟的图深度学习方法，包括图嵌入、图过滤和池化操作、图对抗攻击和图对抗防御技术、可扩展性图神经网络的代表性技术以及图神经网络之外的众多图深度模型；第3篇为实际应用，重点介绍了最具代表性的实际应用，包括自然语言处理、计算机视觉、数据挖掘、生物化学与医疗健康等；第4篇为前沿进展，介绍了有可能成为将来研究热点的高级方法和应用，主要从表达性、深度、公平性、可解释性和自监督学习等内容。在组织结构方面，每章首先介绍写作动机，然后通过具体示例或技术细节介绍相应内容，最后提供更多的扩展阅读知识。本书既适合对数据挖掘、机器学习和社交网络分析感兴趣的本科生和研究生阅读，也适合企业开发者和项目经理阅读。对于没有计算机科学背景，但想要应用图神经网络来推进其所在学科发展的研究人员，本书同样是一本值得参考的读物。

第1章 绪论
1.1 简介
1.2 图深度学习的动机
1.3 本书内容
1.4 本书读者定位
1.5 图特征学习的简要发展史
1.5.1 图特征选择
1.5.2 图表示学习
1.6 小结
1.7 扩展阅读
第1篇 基础理论
第2章 图论基础
2.1 简介
2.2 图的表示
2.3 图的性质
2.3.1 度
2.3.2 连通度
2.3.3 中心性
2.4 谱图论
2.4.1 拉普拉斯矩阵
2.4.2 拉普拉斯矩阵的特征值和特征向量
2.5 图信号处理
2.6 复杂图
2.6.1 异质图
2.6.2 二分图
2.6.3 多维图
2.6.4 符号图
2.6.5 超图
2.6.6 动态图
2.7 图的计算任务
2.7.1 侧重于节点的任务
2.7.2 侧重于图的任务
2.8 小结
2.9 扩展阅读
第3章 深度学习基础
3.1 简介
3.2 深度前馈神经网络
3.2.1 网络结构
3.2.2 激活函数
3.2.3 输出层和损失函数
3.3 卷积神经网络
3.3.1 卷积操作和卷积层
3.3.2 实际操作中的卷积层
3.3.3 非线性激活层
3.3.4 池化层
3.3.5 卷积神经网络总体框架
3.4 循环神经网络
3.4.1 传统循环神经网络的网络结构
3.4.2 长短期记忆网络
3.4.3 门控循环单元
3.5 自编码器
3.5.1 欠完备自编码器
3.5.2 正则化自编码器
3.6 深度神经网络的训练
3.6.1 梯度下降
3.6.2 反向传播
3.6.3 预防过拟合
3.7 小结
3.8 扩展阅读
第2篇 模型方法
第4章 图嵌入
4.1 简介
4.2 简单图的图嵌入
4.2.1 保留节点共现
4.2.2 保留结构角色
4.2.3 保留节点状态
4.2.4 保留社区结构
4.3 复杂图的图嵌入
4.3.1 异质图嵌入
4.3.2 二分图嵌入
4.3.3 多维图嵌入
4.3.4 符号图嵌入
4.3.5 超图嵌入
4.3.6 动态图嵌入
4.4 小结
4.5 扩展阅读
第5章 图神经网络
5.1 简介
5.2 图神经网络基本框架
5.2.1 侧重于节点的任务的图神经网络框架
5.2.2 侧重于图的任务的图神经网络框架
5.3 图滤波器
5.3.1 基于谱的图滤波器
5.3.2 基于空间的图滤波器
5.4 图池化
5.4.1 平面图池化
5.4.2 层次图池化
5.5 图卷积神经网络的参数学习
5.5.1 节点分类中的参数学习
5.5.2 图分类中的参数学习
5.6 小结
5.7 扩展阅读
第6章 图神经网络的健壮性
6.1 简介
6.2 图对抗攻击
6.2.1 图对抗攻击的分类
6.2.2 白盒攻击
6.2.3 灰盒攻击
6.2.4 黑盒攻击
6.3 图对抗防御
6.3.1 图对抗训练
6.3.2 图净化
6.3.3 图注意力机制
6.3.4 图结构学习
6.4 小结
6.5 扩展阅读
第7章 可扩展图神经网络
7.1 简介
7.2 逐点采样法
7.3 逐层采样法
7.4 子图采样法
7.5 小结
7.6 扩展阅读
第8章 复杂图神经网络
8.1 简介
8.2 异质图神经网络
8.3 二分图神经网络
8.4 多维图神经网络
8.5 符号图神经网络
8.6 超图神经网络
8.7 动态图神经网络
8.8 小结
8.9 扩展阅读
第9章 图上的其他深度模型
9.1 简介
9.2 图上的自编码器
9.3 图上的循环神经网络
9.4 图上的变分自编码器
9.4.1 用于节点表示学习的变分自编码器
9.4.2 用于图生成的变分自编码器
9.4.3 编码器：推论模型
9.4.4 解码器: 生成模型
9.4.5 重建的损失函数
9.5 图上的生成对抗网络
9.5.1 用于节点表示学习的生成对抗网络
9.5.2 用于图生成的生成对抗网络
9.6 小结
9.7 扩展阅读
第3篇 实际应用
第10章 自然语言处理中的图神经网络
10.1 简介
10.2 语义角色标注
10.3 神经机器翻译
10.4 关系抽取
10.5 问答系统
10.5.1 多跳问答任务
10.5.2 Entity-GCN
10.6 图到序列学习
10.7 知识图谱中的图神经网络
10.7.1 知识图谱中的图滤波
10.7.2 知识图谱到简单图的转换
10.7.3 知识图谱补全
10.8 小结
10.9 扩展阅读
第11章 计算机视觉中的图神经网络
11.1 简介
11.2 视觉问答
11.2.1 图像表示为图
11.2.2 图像和问题表示为图
11.3 基于骨架的动作识别
11.4 图像分类
11.4.1 零样本图像分类
11.4.2 少样本图像分类
11.4.3 多标签图像分类
11.5 点云学习
11.6 小结
11.7 扩展阅读
第12章 数据挖掘中的图神经网络
12.1 简介
12.2 万维网数据挖掘
12.2.1 社交网络分析
12.2.2 推荐系统
12.3 城市数据挖掘
12.3.1 交通预测
12.3.2 空气质量预测
12.4 网络安全数据挖掘
12.4.1 恶意账户检测
12.4.2 虚