近年来，深度学习在人工智能的发展过程中起到了举足轻重的作用，而图神经网络是人工智能领域的一个新兴方向，被称为图上的深度学习。
本书详细介绍了从深度学习到图神经网络的基础概念和前沿技术，包括图上的深度学习、图神经网络的数学基础、神经网络学习与算法优化、深度学习基础、神经网络中的表示学习、面向图数据的嵌入表示、初代图神经网络、空域及谱域图卷积神经网络等内容。为增强可读性，本书叙述清晰、内容深入浅出、图文并茂，力求降低初学者的学习难度。
本书既可作为人工智能领域研究和开发人员的技术参考书，也可作为对图上的深度学习感兴趣的高年级本科生和研究生的入门书。

张玉宏，2012年博士毕业于电子科技大学，大数据分析师（高级），2009年-2011年美国西北大学访问学者，2019年-2020年美国IUPUI高级访问学者，YOCSEF郑州2018年-2020年度副主席，现执教于河南工业大学，主要研究方向为人工智能、技术哲学等，发表学术论文30余篇，先后出版《Python极简讲义》《深度学习之美》等科技图书10余部，参编英文学术专著2部。

第1章 图上的深度学习
1.1 人工智能与深度学习
1.1.1 深度学习的发展
1.1.2 人工智能的底层逻辑
1.2 图神经网络时代的来临
1.2.1 图与图像大不同
1.2.2 图神经网络的本质
1.3 图数据处理面临的挑战
1.3.1 欧氏空间难表示图
1.3.2 图表达无固定格式
1.3.3 图可视化难理解
1.3.4 图数据不符合独立同分布
1.4 图神经网络的应用层面
1.4.1 节点预测
1.4.2 边预测
1.4.3 图预测
1.5 图神经网络的发展简史
1.5.1 早期的图神经网络
1.5.2 图卷积神经网络的提出
1.5.3 图表示学习
1.5.4 图卷积的简化
1.6 图神经网络的模块与分类
1.6.1 图神经网络的常见模块
1.6.2 图神经网络的分类
1.7 本章小结
参考资料
第2章 图神经网络的数学基础
2.1 矩阵论基础
2.1.1 标量与向量
2.1.2 向量范数
2.1.3 向量的夹角与余弦相似度
2.1.4 矩阵与张量
2.1.5 矩阵的本质
2.1.6 矩阵乘法的三种视角
2.1.7 逆矩阵与行列式
2.1.8 特征值与特征向量
2.1.9 矩阵的平方分解
2.1.10 特征分解
2.1.11 正定矩阵和半正定矩阵
2.2 图论基础
2.2.1 图的表示
2.2.2 无向图与有向图
2.2.3 权值图
2.2.4 邻接矩阵与关联矩阵
2.2.5 邻域和度
2.2.6 度数矩阵
2.2.7 二分图
2.2.8 符号图
2.2.9 图的遍历
2.2.10 图的同构与异构
2.2.11 图的途径、迹与路
2.2.12 图的连通性
2.2.13 节点的中心性
2.3 谱图论基础
2.3.1 拉普拉斯矩阵的来源
……
第3章 神经网络学习与算法优化
第4章 深度学习基础
第5章 神经网络中的表示学习
第6章 面向图数据的嵌入表示
第7章 初代图神经网络
第8章 空域图卷积神经网络
第9章 谱域图卷积神经网络