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（GraphRepresentationLearning，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？
WilliamHamilton的《图表示学习》（GraphRepresentationLearning）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。
为了保证翻译质量，本书特别邀请了AITIME进行翻译。
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（WilliamHamilton）著
AITIME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（GraphNeuralNetwork，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。