图表示学习+图神经网络：破解AI黑盒，揭示万物奥秘的钥匙！
👆关注“博文视点Broadview”，获取更多书讯
从电信网络到社交网络，从经济网络到生物医学网络……图结构的数据无处不在。
如何提取图的特征，表示或编码图的结构，基于图数据进行学习、推理和归纳变得越来越重要。
因为无论是进行数据挖掘、分析社交网络，还是优化推荐系统、问答系统，乃至未来破解AI黑盒、增强AI可解释性与鲁棒性，实现认知智能甚至通用人工智能，图都极有可能是其中必不可少的一环。
近年来，关于图表示学习（Graph Representation Learning，GRL）的研究激增，其中既包括用于深图嵌入的技术、卷积神经网络在图结构数据上的泛化，也包括受置信度传播算法启发的神经消息传递方法。
图表示学习的发展为推荐系统、问答系统、三维视觉、化学合成等诸多领域带来了最新的研究成果。
该如何了解图表示学习的发展，把握AI的下一波浪潮呢？
William Hamilton的《图表示学习》（Graph Representation Learning）也许是开启未来之门的钥匙。这是一本图表示学习的开山之作，得到了清华大学唐杰教授的大力推荐。
《图表示学习》从背景介绍、节点嵌入、图神经网络、生成图模型等角度全面、系统地介绍了图表示学习的历史与前沿。
第一，讨论图表示学习的目标及图论和网络分析的关键方法论。
第二，介绍并回顾学习节点嵌入的方法，包括基于随机游走的方法以及在知识图谱上的应用。
第三，对GNN进行技术上的综合介绍，因为 GNN已成为图数据深度学习领域占主导地位且迅速发展的范式。
第四，总结针对图的深度生成模型的前沿进展，这是图表示学习新生但发展迅速的子集。
本书不仅内容全面，而且探本溯源、深入浅出。
通过丰富的配图和详细的推导一步步告诉读者来龙去脉。
并且介绍了目前最前沿的研究进展，提供了丰富的参考文献、PPT等资源。
本书作者William Hamilton博士毕业于斯坦福大学，现任吉尔大学助理教授，曾任职于Facebook AI Research，是GraphSAGE、Deep Graph Infomax等产品的核心开发者。
为了保证翻译质量，本书特别邀请了AI TIME进行翻译。
AI TIME是2019年由清华大学人工智能研究院张钹院士和清华大学计算机系唐杰教授、李涓子教授等人联合发起的圈子，专注于探索AI科学、发扬科学思辨精神，先后邀请了各界人士辩论AI本质，介绍学术前沿、展示研究机构风采，鼓励所有参与者用辩论的形式，平等、自由、充分地交流，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。
2018年，清华大学正式提出第三代人工智能的理论框架体系：
（1）建立可解释、健壮性的人工智能理论和方法。
（2）发展安全、可靠、可信及可扩展的人工智能技术。
（3）推动人工智能创新应用。这就要求未来的GNN一定是面向推理、面向认知的。
未来，怎么做推理（reasoning）、规划（planning）、逻辑（logical）甚至人的表示，是一个很大的问题，而图表示学习也许是破解这个秘密的关键。
▼
想了解更多图表示学习的内容？这本图表示学习的开山之作《图表示学习》值得一读！
▊《图表示学习》
[美] 威廉·汉密尔顿（William Hamilton） 著
AI TIME译
全面剖析图表示学习、图神经网络、图嵌入、节点嵌入、图深度学习等AI领域的前沿进展
探索提升AI的可解释性、健壮性的路径与方法，为AI实现推理、规划、逻辑等表示提供助力
本书提供了一份关于图表示学习的综述。
首先，本书讨论图表示学习的目标及图论和网络分析的关键方法论。然后，本书介绍并回顾了学习节点嵌入的方法，包括基于随机游走的方法以及在知识图谱上的应用。再后，本书对高度成功的图神经网络（ Graph Neural Network， GNN）进行了技术上的综合介绍， GNN已成为图数据深度学习领域占主导地位且迅速发展的范式。最后，本书总结了针对图的深度生成模型的前沿进展，这是图表示学习新生但发展迅速的子集。
（京东限时活动，快快扫码抢购吧！）
热文推荐