"《PyTorch图神经网络》详细阐述了与图神经网络相关的基本解决方案，主要包括图学习入门、图神经网络的图论、使用DeepWalk创建节点表示、在Node2Vec中使用有偏随机游走改进嵌入、使用普通神经网络包含节点特征、图卷积网络、图注意力网络、使用GraphSAGE扩展图神经网络、定义图分类的表达能力、使用图神经网络预测链接、使用图神经网络生成图、从异构图学习、时序图神经网络、解释图神经网络、使用A3T-GCN预测交通、使用异构图神经网络检测异常、使用LightGCN构建推荐系统、释放图神经网络在实际应用中的潜力等内容。此外，本书还提供了相应的示例、代码，以帮助读者进一步理解相关方案的实现过程。 本书适合作为高等院校计算机及相关专业的教材和教学参考书，也可作为相关开发人员的自学用书和参考手册。 "

Maxime Labonne是摩根大通（J.P. Morgan）的高级应用研究员，拥有巴黎理工学院（Polytechnic Institute of Paris）机器学习和网络安全专业博士学位。在攻读博士学位期间，Maxime致力于开发用于计算机网络异常检测的机器学习算法。随后，他加入了空中客车公司的人工智能连接实验室（AI Connectivity Lab），运用自己在机器学习方面的专业知识来提高计算机网络的安全性和性能。后来他加入了摩根大通，目前在该公司开发解决金融和其他领域各种挑战性问题的技术。

前 言 在短短十年内，图神经网络（graph neural network，GNN）已成为一种重要且流行的深度学习架构。GNN对各个行业产生了重大影响，例如在药物发现领域，GNN预测了一种名为halicin的新抗生素；GNN改进了Google地图上的预计到达时间计算。许多科技公司和大学都在探索GNN在各种应用中的潜力，包括推荐系统、假新闻检测和芯片设计等。GNN具有巨大的潜力和许多尚未发现的应用领域，已成为解决全球问题的关键工具。 本书的目标是提供图神经网络在世界范围的全面且实用的概述。我们将从探索图论和图学习的基本概念开始，然后深入研究使用最广泛和最成熟的图神经网络架构。随着探索内容的不断展开，我们还将介绍图神经网络的最新进展，并阐释一些旨在解决特定任务（如图生成、链接预测等）的专用架构。 除了以上内容，本书还将通过3个实际项目为读者提供实践经验。这些项目涵盖GNN的关键现实应用，包括流量预测、异常检测和推荐系统。通过这些项目，读者将更深入地了解GNN的工作原理，并培养在实际场景中实现它们的技能。 本书为每一章的技术和相关应用提供了简洁可读的代码，使读者有动手实践的机会，读者可以在GitHub和Google Colab上轻松访问这些内容。 读完本书后，读者将对图学习和GNN领域有一个全面的了解，并将有能力为更广泛的应用设计和实现这些模型。 本书读者 本书面向有兴趣了解图神经网络以及如何将其应用于解决各种现实世界问题的个人。本书非常适合想要获得设计和实现图神经网络实践经验的数据科学家、机器学习工程师和人工智能（AI）专业人士。 本书是为具有深度学习和机器学...