人工智能好书推荐：《图深度学习》

前方高能预警，非AI专业人士勿入。

全书从背景介绍、理论细节，到实际应用，再到总结与拓展，深入浅出。涵盖了学习图深度学习必须了解的基础知识，图深度学习中经典的模型方法，图深度学习在实际中的应用方法，以及图深度学习最新的研究热点和前沿进展。

揭秘图深度学习的基本原理和经典算法，包括现代图嵌入、用于简单图和复杂图的GNN、GNN 的健壮性和可扩展性及GNN 之外的图深度模型。应用部分介绍了GNN 在典型领域的应用，包括自然语言处理、计算机视觉、数据挖掘、生物化学和医疗健康适合计算机科学、人工智能和机器学习等相关专业各个阶段的学生学习，也可供信息领域相关从业者，包括工程师和研究人员阅读。

在过去的几十年中，图表示学习领域取得了巨大的进展。这些进展大致可以划分为图表示学习的三个时代，即传统图嵌入、现代图嵌入和图深度学习。

传统图嵌入作为第一代图表示学习，是在经典的基于图的降维技术的背景下研究的。

传统图嵌入包括IsoMap、LLE 和eigenmap 等方法。

Word2vec 是从大量文本中学习词的表示的一种方法，这些生成的词表示已推进了许多自然语言处理任务的进展。Word2vec 在图域的成功扩展开启了第二代图表示学习——现代图嵌入。

鉴于深度学习技术在图像和文本领域表示学习中取得的巨大成功，研究者已努力地将其推广到图域，从而开启了图表示学习的新篇章——图深度学习。

越来越多的证据表明，第三代图表示学习，尤其是图神经网络（GNN），极大地促进了包括侧重于节点和侧重于图的各种图上计算任务的发展。

GNN 带来的革命性进展也极大地促进了图表示学习在现实场景中的广泛应用。

在推荐系统和社交网络分析等经典领域中，GNN 带来了最好的性能并为它们带来新的研究课题。同时，GNN也不断地应用到新的领域，例如组合优化、物理和医疗健康。

GNN 的这些广泛应用为研究者提供了不同学科的多种贡献和观点，并使该研究领域真正成为跨学科领域。（完）