斯坦福 CS224W 中文教材首发！全球 AI 人等了 8 年的神作终于上线

前言

提及图机器学习（Graph Machine Learning，GML）领域的经典课程，斯坦福大学的CS224W绝对是绕不开的存在。

这门课程在全球范围内掀起学习热潮，观看学习人次超百万，其主讲人更是业界大咖——图机器学习权威学者、斯坦福大学计算机科学教授Jure Leskovec。他不仅是该课程的导师，还是图表示学习方法node2vec和GraphSAGE的作者之一，凭借深厚的学术造诣和丰富的实践经验，让这门课程成为无数学习者的 “梦中情课”。

图片

然而，Leskovec教授略带口音的英语，以及课程中密集的学术术语和复杂概念，使得许多学习者常常陷入“听得半懂、学得吃力”的窘境。就在大家为学习困境发愁时，一本基于该课程内容编写的中文教材应运而生——《图机器学习》，为国内学习者带来了福音！

图片

▼点击下方，即可购书

这本书由兰州大学副研究员武强和中国科学技术大学教授吕琳媛联合编著。两位作者结合自身及团队学生在学习图机器学习时的痛点与实践经验，重新梳理知识脉络，不仅重点介绍图机器学习的相关知识，还对前沿的图机器学习会议论文和网络科学的最新发展趋势进行了深入探讨与展望。

本书获得Jure Leskovec教授的授权，还得到兰州大学黄建平院士的推荐，耶鲁大学助理教授应智韬更是对本书内容进行了细心评审和指导，权威性与专业性毋庸置疑。

Part.1

为何要创作这本书？

随着人工智能技术的飞速发展，图机器学习作为基于机器学习处理图信息（非欧氏数据）的方法，受到越来越多的关注。近期，机器学习领域对图机器学习的研究热情日益高涨，它逐渐成为各大人工智能顶级会议的研究热点，更是人工智能落地应用的重点领域。

阿里达摩院早在2019年就提出：“单纯的深度学习已经成熟，而结合了深度学习的图研究将端到端学习与归纳推理相结合，有望解决深度学习无法处理的关系推理、可解释性等一系列问题。” 由此可见，研究图机器学习对推动人工智能发展具有重大意义。

但在实际学习过程中，优质的图机器学习学习资源十分匮乏，兼具 “理论基础+前沿成果+实际应用+通俗易懂” 特点的中文图书更是寥寥无几，这让包括作者在内的不少学习者都走了很多弯路。

后来，作者接触到斯坦福大学Jure Leskovec教授的CS224W课程，深受这门世界高水平图机器学习课程的启发，萌生了撰写相关中文指导用书的想法。

他们希望结合机器学习和复杂网络融合发展的大趋势，合理设计内容结构，再凭借自身的学习和理解，由浅入深地对图机器学习知识进行全脉络梳理和介绍，帮助更多中文读者轻松学习图机器学习。

而两位作者自身强大的学术背景和丰富的实践经验，也为这本书的质量提供了坚实保障。

武强

兰州大学副研究员，长期从事人工智能与复杂系统领域的交叉研究，参与并主持多个重点科研项目，致力于推动前沿人工智能技术在交通、气象等领域的行业落地应用，多项成果已成功转化并应用于我国城市交通系统。

他还在ICML、KDD、AAAI等国际AI会议及 Future Generation Computer Systems（FGCS）、Knowledge-Based Systems（KBS）等期刊发表论文20余篇，并荣获谷歌 “全球机器学习开发者专家”（Google Developer Expert，GDE）称号，还著有《人工智能技术基础》《元宇宙中的硬科技》等图书。

吕琳媛

中国科学技术大学教授，“中国青年女科学家奖”“科学探索奖” 获得者。她长期从事复杂系统与复杂网络领域的研究，发表学术论文100余篇，谷歌学术引用近2万次。

2019年，她入选《麻省理工科技评论》“中国35岁以下科技创新35人”；2020年获 “系统科学与系统工程科学技术奖——青年科技奖”；2022年获埃尔德什·雷尼奖（Erdős-Rényi Prize，中国首位获奖者）。

她还出版了《链路预测》《重塑：信息经济的结构》《反常识》等图书。

Part.2

由浅入深，系统全面，聚焦模型与应用

本书以图机器学习为核心，重点聚焦图神经网络这一关键方向，通过对图中网络结构的建模，助力读者更好地挖掘图中的信息，深刻认识其在科学研究和工业生产中的重要作用。

全书共16章，分为基础篇、进阶篇、应用篇三个部分，由浅入深、循序渐进地介绍图神经网络的模型、方法及相关应用。

图片

对图机器学习的整体框架有初步认识后，我们先来深入梳理书中关于图机器学习模型的核心内容。

本书详细介绍了图神经网络的基础知识、初步模型、训练、进阶、优化、子图发现、社区发现等内容。

学习图神经网络模型，主要过程是通过迭代对邻居信息进行聚合和更新。在每次迭代中，每个节点会聚合邻居节点的特征及上一层特征来更新自身信息，通常还会对聚合后的信息进行非线性变换。通过堆叠多层网络，每个节点能够获取相应跳数内的邻居节点信息。

本书介绍的经典 GCN、GAT、GraphSAGE 等模型都遵循这一过程：

GCN模型中每个节点对其邻居节点和自己当前的特征进行平均化聚合；

GAT模型进一步引入注意力机制，对收集到的邻居信息进行加权平均聚合；

GraphSAGE模型则提出多种方式对邻居信息进行有效聚合。

图片

图片

图片

了解图机器学习的核心模型及其原理后，我们再将目光转向实际应用领域，进一步感受图机器学习的价值与潜力。本书重点介绍了图机器学习在推荐系统、自然语言处理和自然科学研究三大领域的应用，展现了图机器学习广阔的应用前景。

在推荐系统领域，本书介绍了基于图神经网络的协同过滤模型及其简化GNN架构的 LightGCN模型；还通过大规模GNN推荐模型（PinSAGE模型）展示了上亿规模推荐系统中GNN模型的应用，让读者了解图机器学习在实际工业场景中的应用方式。

图片

图片

在自然语言处理领域，本书系统总结了GNN生成NLP图的类型和方法，以及基于图的 “编码器-解码器” 模型，并从自然语言的理解、生成和推理三个方面，介绍GNN与NLP结合的典型思路和应用，为读者提供了跨界学习的方向。

图片

在自然科学研究领域，本书从图神经网络推动自然科学进步的视角出发，介绍了其在物理学、生物化学和医疗领域、天气预报领域的应用。例如，在物理学领域，GNN在万有引力定律研究和物理世界仿真方面展现出强大功能。

图片

在生物化学和医疗领域，GNN在辅助药物发现、蛋白质结构预测和医疗诊断中发挥了开创性作用。

图片

在天气预报领域，GNN能有效捕捉空间结构与相邻节点（地区）之间的复杂关系，特别适用于天气预报等具有明显时空关联性的任务。

图片

Part.3

亮点纷呈，助力学习

内容全面系统

本书从基础的图论知识、机器学习基础，到进阶的图神经网络模型设计、训练与优化，再到多元的应用领域介绍，内容涵盖图机器学习的方方面面，形成了完整的知识体系。

读者通过阅读本书，能够系统地掌握图机器学习的知识，构建起全面的知识框架。

前沿性突出，新增内容丰富

当前，图机器学习已风靡深度学习领域，成为该领域的研究热点和发展趋势。本书紧密结合行业前沿，在斯坦福大学CS224W课程内容的基础上增补了大量新内容。

本书不仅涵盖图机器学习的经典理论和方法，还融入最新的研究成果及会议论文内容，进一步丰富了图书的内容，提升了图书的实用性和可读性，让读者能够及时了解该领域的最新动态和发展方向，始终站在学习前沿。

图片

此外，每章末尾均附有参考文献，方便读者根据自身需求进行扩展阅读，进一步深化对相关知识的理解。

图片

阅读体验佳

本书采用全彩印刷，不仅纸张质感好，而且印刷精美，很适合珍藏。更重要的是，全书配有大量全彩插图，采用“看图学”的模式，将原本抽象复杂的原理、架构变得一目了然。

即便没有大模型背景的读者，也能通过这些直观的插图迅速理解相关技术的精髓，大幅降低学习难度，提升阅读的趣味性和效率。

图片

图片

图片

无论是对图机器学习感兴趣的初学者，还是希望深入研究该领域的科研人员、从事相关工作的工程师，《图机器学习》都是不可多得的优质教材和参考用书。

它能够帮助读者突破语言障碍，轻松学习斯坦福大学CS224W课程的核心知识，同时了解图机器学习领域的前沿动态和实际应用，为个人学习和职业发展提供有力支持！