网络图的表征能力异常强大，它能够对事物之间任意类型的相互作用关系进行建模，因此网络图数据在生物信息、交通网络、科研合作、万维网和社交网络等领域的一系列实际场景中随处可见。图数据挖掘用于从图数据中发现有用的信息和知识。然而，网络中节点和链路及其半结构形式的复杂性在各种计算任务，如节点分类、链路预测和图分类等方面提出了挑战。在这一背景下，研究人员最近提出了各种前沿的图机器学习算法，包括图嵌入和图神经网络，显著地提升了图数据挖掘的性能。 　　《图数据挖掘：算法、安全与应用》提供了对图数据挖掘方法的**评述，在此基础上引申出一个前沿课题，即图数据挖掘的安全性问题，并介绍了一系列检测方法来识别图数据中的对抗样本。此外，它向读者介绍了图数据增强和子图网络以进一步增强模型，即提高其准确性和鲁棒性。最后，本书描述了这些前沿算法在各种场景中的应用，例如交通网络、社交和技术网络以及区块链交易网络等。

宣琦，浙江工业大学网络空间安全研究所教授，目前的研究领域包括网络科学、图形数据挖掘、网络空间安全和深度学习。他在IEEE TKDE、 IEEE TIE、 IEEE TNSE、 ICSE和FSE等领先期刊和会议上发表了50多篇论文，是IEEE TKDE、IEEE TIE、IEEE TII、IEEE TNSE等期刊的审稿人。

前 言 事物之间的相互作用造就了我们的美丽世界。许多现实世界的系统，无论是自然的还是人工的，都可以自然地表达为图或网络以捕捉其拓扑特性，而不是采用欧几里得空间中的坐标形式。在生物学中，蛋白质相互调节，这种生理上的相互作用构成了所谓的生物体的交互组学；神经元相互连接，在大脑中处理信号，导致了智能的涌现；物种相互依赖，从而形成复杂的生态系统。此外，现代交通系统连接了不同国家的不同城市，极大地便利了我们的出行，使整个世界成为真正的地球村。如今，随着我们进入网络空间，各种网络层出不穷。人们通过Facebook、微信、Twitter、微博等社交网络平台紧密联系，分享各自的观点和个人兴趣。人们可以使用谷歌、百度和雅虎等搜索引擎搜索感兴趣的信息，而这些系统的核心便是一个巨大的网页网络。人们还可以通过电子银行或基于区块链的平台(如以太坊)轻松转移资金。此外，一些强大的数据挖掘或人工智能技术本质上也是网络，如知识图谱和深层神经网络。虽然这些网络促进了个人之间的信息交流，使我们的生活比以前更便捷，但也可能为病毒的传播提供便利，并造成隐私泄露。例如，仅仅根据个人的自我社交网络就可以推断出特定种类的关系[1]。因此，我们迫切需要发展一些方法来更好地了解这些网络的拓扑结构，以便在一定程度上预测并进一步影响其演变趋势。 幸运的是，图论作为数学的一个分支，自1736年欧拉对哥尼斯堡七桥问题的开创性研究以来[2]，已被完备地建立起来。在这个大数据时代，越来越多的系统被描述为图(网络)，同时，相应的图数据也被不断地发布出来以供研究。网络已吸引了来自众多不同领域的研究人员前赴后继地投身其...