【重磅】图神经网络新书《图表示学习》，140页pdf，William L. Hamilton-McGill University

图神经网络一本简明硬货新书，快来学习！

William L. Hamilton McGill 大学计算机科学的助理教授，魁北克省Mila AI研究所的加拿大CIFAR AI主席。我开发了机器学习模型，可以对我们复杂、相互关联的世界进行推理。

总的来说，研究兴趣集中在机器学习、网络科学和自然语言处理的交叉领域，目前重点关注快速增长的图表示学习和图神经网络。

https://www.cs.mcgill.ca/~wlh/

图表示学习

在过去的7年里，图表示学习领域以令人难以置信(有时难以控制)的速度发展，从从事一个相对小众主题的一小部分研究人员，转变为深度学习中增长最快的子领域之一。

这本书是我对图表示学习的一个简要而全面的介绍，包括嵌入图数据的方法，图神经网络，以及图的深层生成模型。

图是一种普遍存在的数据结构和描述复杂系统的通用语言。在最普遍的观点中，一个图仅仅是对象的集合。，以及一组交互(例如，节点)。(边)在这些对象对之间。例如，为了将一个社会网络编码为一个图，我们可以使用节点来表示个体，使用边来表示两个个体是朋友(图1.1)。在生物领域，我们可以使用图中的节点来表示蛋白质，并使用边缘来表示各种生物相互作用，例如蛋白质之间的动力学相互作用。

图形式主义的力量在于它关注点之间的关系(而不是单个点的属性)，以及它的一般性。同样的图表形式也可以用来表示社会网络、药物和蛋白质之间的相互作用、原子之间的相互作用。

然而，图表不仅仅提供了一个优雅的理论框架。它们提供了一个数学基础，我们可以在此基础上分析、理解和学习现实世界的复杂系统。在过去的25年里，可供研究人员使用的图形结构数据在数量和质量上有了显著的增长。随着大型社交网络平台的出现，大量的科学活动对交互体建模，食物网，分子图结构的数据库，以及数十亿网络连接设备的出现，有意义的图数据供研究人员分析。挑战在于释放这些数据的潜力。

这本书是关于我们如何利用机器学习来应对这一挑战。当然，机器学习不是分析图表数据的唯一可能的方法。然而，鉴于我们试图分析的图形数据集的规模和复杂性不断增长，很明显，机器学习将在提高我们建模、分析和理解图形数据的能力方面发挥重要作用。

https://www.cs.mcgill.ca/~wlh/grl_book/

目录内容：

Chapter 1: Introduction and Motivations 导论动机
Chapter 2: Background and Traditional Approaches 背景介绍方法 Part I: Node Embeddings 节点嵌入
Chapter 3: Neighborhood Reconstruction Methods 邻域重建方法
Chapter 4: Multi-Relational Data and Knowledge Graphs 多关系数据与知识图谱 Part II: Graph Neural Networks 图神经网络
Chapter 5: The Graph Neural Network Model 图神经网络模型
Chapter 6: Graph Neural Networks in Practice 图神经网路实践
Chapter 7: Theoretical Motivations 理论动机 Part III: Generative Graph Models 生成图模型
Chapter 8: Traditional Graph Generation Approaches 传统图生成方法
Chapter 9: Deep Generative Models 深度生成模型
Bibliography [Draft. Updated August 2020.]