广大图神经网络（Graph Neural Network，下文简称GNN）研究人员翘首以盼吴凌飞、崔鹏、裴健、赵亮等GNN领域的影响力学者联合编撰、50多位GNN各方向专家学者倾力贡献的《图神经网络：基础、前沿与应用》终于要来啦！

本书作者群星璀璨，图书还未出版已先火遍IT圈！得到了清华大学教授、中国科学院院士张钹倾情作序推荐，同时韩家炜、沈向洋、张钹、李航、周志华等大咖联袂推荐！

▲ 最新的GNN教程

首发价5折

点击封面购买

本书为国内GNN研究提供了前沿的跨领域理论支撑，打通了GNN基础思想与实际应用之间的通路，为对GNN感兴趣的读者打造了一本系统性的教程！

01

大佬合力出击

打破GNN理论到应用之间的屏障

当前GNN已经成为继机器学习尤其是深度学习后发展最快的研究课题之一，对推荐系统、计算机视觉、自然语言处理等领域产生了重大影响。本书编者及各章节作者群星璀璨，在GNN领域做出了巨大贡献，他们的研究成果大量成功应用到工业生产或开源软件工具中。

▲ 近年GNN领域发展迅猛

吴凌飞博士带领的Graph4NLP团队致力于机器学习与文本数据挖掘领域的基础研究，其成果在GNN领域颇负盛名。

崔鹏博士是清华大学长聘副教授，主要研究数据挖掘、机器学习和多媒体，擅长网络表示学习、因果推理和稳定学习等。

裴健博士是杜克大学教授，擅长为新型数据密集型应用开发有效和数据分析技术，并将其研究成果转化为产品和商业实践。

赵亮博士是埃默里大学计算科学系助理教授，致力于数据挖掘、人工智能和机器学习，尤其是在时空和网络数据挖掘、图深度学习、非凸优化、事件预测和可解释机器学习等方面有深入研究。

除此之外本书还得到了GNN领域其他专家学者的联合撰写，他们是：Miltiadis Allamanis、Yu Chen、Yunfei Chu、Tyler Derr、Keyu Duan、Qizhang Feng、Stephan Günnemann、Xiaojie Guo、Yu Hou、Xia Hu、Junzhou Huang、Shouling Ji、Wei Jin、Anowarul Kabir、Seyed Mehran Kazemi、Jure Leskovec、Juncheng Li、Jiacheng Li、Pan Li、Yanhua Li、Renjie Liao、Xiang Ling、Bang Liu、Ninghao Liu、Zirui Liu、Hehuan Ma、Collin McMillan、Christopher Morris、Zongshen Mu、Menghai Pan、Yu Rong、Amarda Shehu、Kai Shen、Chuan Shi、Le Song、Chang Su、Jian Tang、Siliang Tang、Fei Wang、Shen Wang、Shiyu Wang、Xiao Wang、Yu Wang、Chunming Wu、Hongxia Yang、Jiangchao Yao、Philip S. Yu、Muhan Zhang、Wenqiao Zhang、Chang Zhou、Kaixiong Zhou、Xun Zhou。

▲ 被广泛使用的Graph4NLP

▲ 裴健教授的学术论文被大量引用

尽管GNN在国际上的研究与应用成绩斐然，但在国内依然面临许多挑战：比如从方法、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。

正是如此，4位作者考虑到要弥补我们与世界先进技术的差距，决定联合GNN领域的众多专家学者共同编写一本介绍GNN这一庞大主题的书，帮助广大从业者、研究人员与学生充分认识和了解GNN，打破GNN理论到应用之间的屏障。

02

业内大咖诚意推荐

本书不仅作者团队豪华，更是受到了海内外GNN领域院士、教授、专家的一致肯定。获得韩家炜、沈向洋、张钹、周志华、Jure Leskovec等国内外学者联袂推荐。

滑动查看更多专家评价

本书由图神经网络领域的专家学者共同撰写完成，详细地介绍了这一新兴的、快速发展的研究领域。

——韩家炜

美国伊利诺伊大学香槟分校计算机系教授，ACM会士，IEEE会士

本书对图表征学习进行了及时综述，由图神经网络领域的专家学者共同编撰完成，可供想了解这一领域的学生、研究人员和实践者参考。

——沈向洋

ACM会士，IEEE会士，美国国家工程院外籍院士、英国皇家工程科学院外籍院士，微软研究院前技术和研究执行副总裁

作为深度学习的前沿领域，图神经网络在组合概率机器学习和符号推理方面具有强大潜力。它在数据驱动范式和知识驱动范式之间架起了沟通的桥梁，有望促进第三代人工智能的发展。本书以富有洞察力的方式介绍了GNN，内容涉及从基础知识到前沿发展，从算法基础到应用探讨。对于任何想要学习和了解图神经网络的科学家、工程师和学生来说，本书是颇具价值的参考资料。

——张钹

清华大学教授，中国科学院院士

作为深度学习的一个重要领域，图神经网络近年来取得了突飞猛进的发展。这本由业界知名学者撰写的专著涵盖了图神经网络的基础和应用的方方面面。相信这是一本大家都想阅读的书。强烈推荐！

——李航

字节跳动人工智能实验室总监

图神经网络是当前人工智能的热门领域之一。本书由国际数据挖掘领域著名学者、加拿大皇家学会院士裴健教授和CCF-IEEECS青年科学家奖获得者崔鹏教授等领衔出版。英文版已由施普林格出版社推出，中文版将为国内感兴趣的读者提供阅读学习的便利，很有参考价值，值得关注。

——周志华

南京大学计算机系主任兼人工智能学院院长，欧洲科学院外籍院士

图神经网络是机器学习、数据科学、数据挖掘领域新兴的发展方向。本书作者都是这个领域的知名科学家，他们探讨了图神经网络的理论基础、算法设计和实践案例。这是一本不可多得的好书，我强烈推荐！

——杨强

香港科技大学讲座教授，AAAI会士，ACM会士，加拿大皇家科学院、加拿大工程院院士

本书由领域学者团队编撰，对图神经网络的基础理论进行了详细介绍，对不同主题进行了广泛覆盖。通过本书，读者可以一览图神经网络全貌、快速开展前沿研究或将之落地于实际应用。

——张成奇

悉尼科技大学副校长，人工智能杰出教授

本书是当前介绍图神经网络方面非常深入的书籍之一，由该领域的知名学者编撰，是不可多得的参考和学习资料。

——俞士纶

伊利诺伊大学芝加哥分校讲席教授，ACM会士，IEEE会士

本书详细地介绍了图神经网络，为在大型图数据上更深一步研究及探寻快而准的方法提供了不可缺少的基础和方向。

——于旭（Jeffrey Xu Yu）

香港中文大学教授

深度学习时代，图计算与神经网络天然地结合到一起。图神经网络为人工智能的发展注入了新动力，同时也成为热门的领域之一，在工业界得到广泛应用。本书对图神经网络的基础、前沿技术以及应用做了讲解，是图神经网络的研究者以及实践者不可多得的参考资料。

——叶杰平

密歇根大学终身教授，IEEE会士

图深度学习近年来已经被广泛应用到很多人工智能的研究领域，并取得了空前的成功。本书总结了图神经网络的算法和理论基础，广泛介绍了各种图神经网络的前沿研究方向，并精选了10个图神经网络广泛应用的行业。这是一本经典的深度学习教科书！

——熊辉

香港科技大学（广州）讲座教授，AAAS会士，IEEE会士

图神经网络是一个具有巨大潜力的研究方向，近年来受到广泛关注。本书作者是该领域的知名学者，具有学术界和工业界的丰富实践经验。他们通过这本书从概念、算法到应用全面地介绍了图神经网络的相关技术。强烈推荐对这个领域感兴趣的学生、工程师与研究人员阅读！

——谢幸

微软亚洲研究院首席研究员，CCF会士，IEEE会士

图神经网络是一类基于深度学习的处理图结构数据的方法，在推荐系统、计算机视觉、生物制药等众多科学领域展现出了卓越的性能。本书由该领域的知名学者倾力打造，从图神经网络的理论基础出发，着重介绍了图神经网络的研究前沿和新兴应用。图神经网络方兴未艾，本书内容厚重，是从事该领域研究的科研人员和学生不可多得的参考书。

——文继荣

中国人民大学教授，信息学院院长，高瓴人工智能学院执行院长

图机器学习是当前机器学习领域热门的研究方向之一。本书针对图神经网络的基础、发展、前沿以及应用进行细致介绍，是图神经网络领域值得深入学习的佳作。

——陶大程

京东探索研究院院长，京东集团高级副总裁，澳大利亚科学院院士

图神经网络把深度学习和图结构融合起来，是机器学习领域过去几年重要的理论发展之一，在金融科技、搜索推荐、生物医药等领域有着广泛和重要的应用。本书由该领域的知名学者编撰，是研究人员、学生和业界实践者学习图神经网络的一本参考图书。

——漆远

复旦大学浩清教授、博导，AI³研究院院长，前阿里巴巴副总裁及蚂蚁集团首席AI科学家

图神经网络是一个快速发展的领域。本书涉及图神经网络的概念、基础和应用，非常适合对此领域感兴趣的读者阅读。

——刘欢

亚利桑那州立大学教授，ACM会士，IEEE会士

图神经网络作为一种新兴技术，近年来受到学术界和工业界的广泛关注。本书由4位工作在此领域前沿的杰出学者编撰，内容涵盖了图神经网络的基础概念、经典技术、应用领域以及与产业结合的进展。受益于作者在该领域的深厚积累，本书为图神经网络研究人员提供了全局视角，既适合对此领域感兴趣的初学者，其模块化的结构也适合对该领域有一定积累的学者针对某一内容进行深入研究。

——林学民

上海交通大学讲席教授，欧洲科学院院士，IEEE会士，AAIA会士

图神经网络已经成为图数据分析处理的基本工具。本书深入介绍了图神经网络的基础和研究前沿，可作为有关科研人员、开发者和师生的重要参考书。

——李飞飞

阿里巴巴集团副总裁，IEEE会士

图神经网络是当前AI领域的重要前沿方向之一，在学术界和工业界得到广泛的关注和应用。本书由相关领域的知名学者编撰而成，系统性地总结了图神经网络领域的关键技术，内容涵盖了图神经网络的基础方法和前沿应用。2021年英文书出版时我就关注到这本书，现在很高兴看到中文版即将出版。对于国内研究和应用图神经网络的专业人士和初学者来说，本书是一本不可多得的参考书。

——崔斌

北京大学教授

图神经网络是对深度学习的重要拓展和延伸。本书由知名学者编著，系统地介绍了该领域的基础问题、前沿算法和应用场景。编者对章节之间的逻辑关系给出了清晰的梳理和导读，对初入该领域和具有一定基础的读者均具有重要的学习和参考价值。

——陈恩红

中国科学技术大学大数据学院执行院长

图神经网络是机器学习非常热门的领域之一。本书是非常好的学习资源，内容涵盖图表征学习的广泛主题和应用。

——Jure Leskovec

斯坦福大学副教授

图神经网络是一种新兴的机器学习模型，已在科学和工业界掀起风暴。现在正是加入这一行动的时机——这本书无论对新人还是经验丰富的从业者而言是很好的资源！书中的内容由这一领域的学者团队精心撰写而成。

——Petar Veličković

DeepMind高级研究科学家

从专业学者的视角来看，本书内容广度与深度兼备，作品质量有保障，值得对GNN感兴趣的读者参考阅读。

03

用当下的经验讲述GNN的故事

因为作者们都身处GNN领域的研究与应用开发一线位置，在书中介绍的理论和实践方法皆是当下主流，实用性非常强。

新鲜出炉，本书亮相国际人工智能联合会议

今年国际人工智能联合会议（IJCAI 2022）上，他们就以本书英文同名论文Graph Neural Networks (GNNs): Foundation, Frontiers and Applications参加会议并做了长达170分钟的演讲，获得广泛关注。

8月在华盛顿举行的全球数据科学领域会议KDD 2022上，他们同样做了该论文的演讲，并提供了对应教程的讲解。

▲ 吴凌飞博士关于IJCAI 2022 GNN教程的推文

▲ 吴凌飞博士关于参加KDD 2022的推文

吴博士在本书中对GNN基础知识进行了简洁而清晰的叙述，其中涉及的应用方法来自他们自己的实践工作，并重组了理论知识，从头到尾具备很强的创新性。

这些理论加实践的创新组合，为更多领域的研究者与学习者提供了丰富的实用经验，具有很重要的指导作用。

比如吴博士带领团队开发的GNN库——Graph4NLP现在就被广泛应用于图深度学习和自然语言处理（即DLG4NLP）的交叉研发：

• 文本分类：把句子或文档分类为适当的标签。

• 语义解析：把自然语言翻译成机器可解释的形式意义表示。

• 神经机器翻译：把源语言中的句子翻译成不同的目标语言。

• 摘要：生成输入文本的更简短版本，并保留主要含义。

• 知识图谱补全：预测知识图谱中两个现有实体之间的缺失关系。

• 数学问题解决：自动解决数学习题，用易懂的语言提供问题的背景信息。

• 命名实体识别：对输入文本中的实体进行相应类型的标记。

• 问题生成：根据给定的段落和目标答案（可选）生成有效且流畅的问题。

使用本书可以学习前沿的GNN理论与方法，在人工智能路上快人一步。

一书搞定GNN基础入门与进阶实践

本书内容不仅新，还全，兼容并包。不管是正准备入门的读者，还是已有基础准备学习更先进应用方法的读者，都能从本书中读到为自己量身定制的内容。

入门，学习GNN基础

本书第一部分和第二部分主要介绍GNN的基础知识，适合入门学习。作者讲解清晰完备，使用真实的案例、有趣的图示把看起来高深的思想原理讲得通俗易懂，深入浅出地带读者踏入GNN之门。

这部分内容包含GNN的基础知识如表征学习、图表征学习、图神经网络的概念；介绍用于节点分类的GNN、GNN的表达能力、如何扩展GNN、如何提高GNN鲁棒性等。

▲ 本书第一、二部分内容

进阶，掌握GNN前沿方法

在学习基础知识之后，作者展示了GNN领域的前沿方法，以及它与其他领域的交叉影响。对想学习GNN进阶知识的读者来说，这部分应该特别注意一下。

第3部分包含图分类、链接预测、图生成、图转换、图匹配、图结构学习、动态GNN、异质GNN、动机器学习、GNN：自监督学习等高阶内容。这些都是当下热门研究和讨论的技术方法，具有一定的先进性。

▲ 本书第三部分内容

实践，当下热门GNN应用

在第4部分中，作者介绍了GNN的广泛和新兴应用，适合那些想要把GNN应用到自己的实际业务或者项目当中的读者阅读。

这部分包括现代推荐系统中的GNN、计算机视觉中的GNN、自然语言处理中的GNN、程序分析中的GNN等方面，同时也介绍了GNN在生物医药、异常检测、智慧城市等行业领域的应用。

▲ 本书第四部分内容

值得注意的是，本书内容都是模块化的，也就是说读者可以根据自己的兴趣和需要有选择性地进行学习。

每个人都能用的GNN教程

这样又新又全的GNN理论与方法，既适合具有计算机科学背景的学生，又适合对概率、统计、图论、线性代数和机器学习技术（比如深度学习）有基本了解的读者。

也就是说本书既能作为高年级本科生和研究生课程的教辅或参考材料，供学生和老师使用；又能作为一本综合性手册，供研究人员、专业人士等各类读者参考。

搭配丰富资源，GNN学习更立体

如果读者想进一步获得更多与本书或者图神经网络有关的资源，可以访问本书配套网站：https://graph-neural-networks.github.io/。该网站的资源包括本书中英文在线预览版、讲座幻灯片以及勘误等信息，同时还提供大量与图神经网络有关的公开可用的资料和资源引用。

比如丰富的GNN相关研讨会信息、教程、会议以及其他类型的视频内容等。读者可以将这些资源作为扩展，同时优秀的GNN论文也能够帮助读者进行更深入的了解和探索。

▲ GNN相关研讨会信息

▲ GNN相关教程信息

04

抓住GNN这一充满挑战的机遇

GNN是一个新兴而发展繁荣的领域，虽然机遇较多，但面临的挑战也不少。想要在该领域施展一番拳脚，有一本专业的指导书籍很重要。

▲ 全面了解GNN，点击封面购买

首发价5折

这本《图神经网络：基础、前沿与应用》适时出现，给了广大GNN爱好和研究者一个很好的选择。从理论基础，到前沿研究，再到实践应用，它专业地向读者展示了GNN这一精彩世界。

留言赠书：评论区留言（20字以上），写下你对图神经网络落地的认识，小编将选择两名读者，赠书一本

文章编辑：沙鱼 审校：桐希、秦健

参考来源：

[1]Cheong, W., Yujun, E., Li, J., Huang, X., Chen, J. & Xuelin, M. (2022). A spatial temporal graph neural network model for predicting flashover in arbitrary building floorplans.Applications of Artificial Intelligence, 115.

[2]GNNBook@2022. Graph-neural-networks.

[3]Lingfei Wu @ Pinterest KG..

[4]吴凌飞 ,崔鹏 ,裴健 ,赵亮.图神经网络：基础、前沿与应用.北京.人民邮电出版社:2022

—END—