图神经网络不仅能够解决传统机器学习方法无法解决的图数据问题，而且能够应用于许多实际场景，例如社交网络、药物发现、网络安全、金融风控等。《图神经网络基础、模型与应用实战》旨在为初学者和实践者提供一个详细、全面的入门指南，围绕图神经网络基础、模型、应用实战（均采用Python+PyTorch实现）等方面进行介绍。《图神经网络基础、模型与应用实战》配套示例源码、数据集、PPT课件。 《图神经网络基础、模型与应用实战》共分9章，内容包括图神经网络概述、PyTorch开发环境搭建、数据集的获取与加载、图神经网络模型、图神经网络在自然语言处理领域的应用、图神经网络在计算机视觉领域的应用、图神经网络在推荐系统领域的应用、图神经网络在社交网络领域的应用、图神经网络的挑战和机遇。其中，每个领域的应用都包括1~3个实战项目，可以帮助读者快速掌握图神经网络。 《图神经网络基础、模型与应用实战》适合图神经网络初学者、图神经网络算法开发人员、深度学习算法开发人员，也适合高等院校或高职高专图神经网络相关课程的师生教学参考。

兰伟，广西大学计算机与电子信息学院副教授，博士研究生导师，中南大学博士。主要研究方向为机器学习、数据挖掘、生物信息学。在国际知名期刊和会议上发表论文60余篇，先后出版专著2部，获省部级奖项1项。

前 言 当今社会，图数据（如社交网络、交通网络、化学分子结构等）的出现越来越普遍，图神经网络在解决这些复杂的图数据上的挑战方面已经展现出了惊人的效果。图神经网络不仅能够解决传统机器学习方法无法解决的图数据问题，而且能够应用于许多实际场景，例如社交网络、推荐系统、药物发现、网络安全、金融风控、交通网络优化、计算机视觉、自然语言处理、医疗保健、物理科学和遥感科学等。 本书需要哪些预备知识 本书要求读者具备一定的预备知识，包括深度学习基础、线性代数、概率论、编程语言（如Python）的知识。对深度学习的理解至少应包括神经网络的基本原理和常见架构。对线性代数和概率论的理解应该能够支撑对复杂模型的数学描述和理论分析。读者应熟悉NumPy、Pandas等数据处理库，以及PyTorch等深度学习框架。 本书涵盖图神经网络的哪些方面 本书旨在为初学者和实践者提供一个详细的、全面的图神经网络入门指南，围绕图神经网络基础、实现、应用等方面进行介绍，主要内容包括图神经网络的基础、模型、算法实现、应用场景（如社交网络分析、推荐系统、蛋白质结构预测和图像分割等），以及图神经网络未来发展的前瞻性探讨。 图神经网络有哪些优势 图神经网络的主要优势在于其独特的能力，通过对图结构数据（如社交网络、推荐系统等）中的节点和边进行深度学习，有效捕捉和利用数据的拓扑关系，实现复杂关系和交互效应的建模。这种方法不仅能够提高数据分析和预测的准确性，而且能够揭示隐藏在图数据中的深层次模式和结构，从而在推荐系统、社交网络等多个领域提供前所未有的洞见和解决方案。 本书的特点 （1）全面深入：本书介绍了图神...