前言

近年来，图神经网络（GNN）取得了快速、令人难以置信的进展。图神经网络又称为图深度学习、图表征学习（图表示学习）或几何深度学习，是机器学习特别是深度学习领域增长最快的研究课题。图论和深度学习交叉领域的这波研究浪潮也影响了其他科学领域，包括推荐系统、计算机视觉、自然语言处理、归纳逻辑编程、程序合成、软件挖掘、自动规划、网络安全和智能交通等。

尽管图神经网络已经取得令人瞩目的成就，但我们在将其应用于其他领域时仍面临着许多挑战，包括从方法的理论理解到实际系统中的可扩展性和可解释性，从方法的合理性到应用中的经验表现，等等。然而，随着图神经网络的快速发展，要获得图神经网络发展的全局视角是非常具有挑战性的。因此，我们感到迫切需要弥合上述差距，并就这一快速增长但具有挑战性的主题编写一本全面的书，这可以使广大读者受益，包括高年级本科生、研究生、博士后研究人员、讲师及相关的从业人员。

本书涵盖图神经网络的广泛主题，从基础到前沿，从方法到应用，涉及从方法论到应用场景方方面面的内容。我们致力于介绍图神经网络的基本概念和算法、研究前沿以及广泛和新兴的应用。

在线资源

如果读者希望进一步获得关于本书的相关资源，请访问网站https://graph-neural-networks. github.io。该网站提供本书的中英文预览版、讲座信息以及勘误等，此外还提供与图神经网络有关的公开可用的材料和资源引用。

写给教师的建议

本书可作为高年级本科生、研究生课程的教辅或参考资料。虽然本书主要是为具有计算机科学背景的学生编写的，但是也适合对概率、统计、图论、线性代数和机器学习技术（如深度学习）有基本了解的学生参考。如果学生已经掌握本书某些章节的知识，那么在教学的过程中可以跳过这些章节或作为家庭作业帮助他们复习。例如，如果学生已经学过深度学习课程，那么可以跳过第1章。教师也可以选择将第1章～第3章合并到一起，作为背景介绍课程的内容。

如果课程更注重图神经网络的基础和理论，那么可以选择重点介绍第4章～第8章，第19章～第27章可用于展示应用、动机和限制。关于第4章～第8章和第19章～第27章如何相互关联，请参考每章末尾的编者注。如果课程更注重研究前沿，那么可以将第9章～第18章作为组织课程的支点。例如，教师可以将本书用于高年级研究生课程，要求学生搜索并介绍每个不同研究前沿的最新研究论文，还可以要求他们根据第19章～第27章描述的应用以及我们提供的材料建立他们自己的课程项目。

写给读者的建议

本书旨在涵盖图神经网络领域的广泛主题，包括背景、理论基础、方法论、研究前沿和应用等。因此，本书可作为一本综合性的手册，供学生、研究人员和专业人士等读者使用。在阅读之前，您应该对与统计学、机器学习和图论相关的概念和术语有一定了解。我们在第1章～第8章提供并引用了一些基础知识的背景。您最好也有深度学习相关的知识和一些编程经验，以便轻松阅读本书的大部分章节。尤其是，您应该能够阅读伪代码并理解图结构。

本书内容是模块化的，对于每一章，您都可以根据自己的兴趣和需要有选择性地学习。对于那些想要深入了解图神经网络的各种技术和理论的读者，可以选择从第4章～第8章开始阅读；对于那些想进一步深入研究和推进相关领域的读者，请阅读第9章～第18章中感兴趣的内容，这些章提供了关于最新研究问题、开放问题和研究前沿的全面知识；对于那些想使用图神经网络来造福特定领域的读者，或者想寻找有趣的应用以验证特定的图神经网络技术的读者，请阅读第19章～第27章。