近年來，圖表示學習（Graph Representation Learning，GRL）的研究激增，其中包括用於深圖嵌入的技術、卷積神經網路在圖結構資料上的泛化，以及受置信度傳播演算法啟發的神經訊息傳遞方法。

圖表示學習的這些進展為許多領域帶來了最新的研究成果，其中包括化學合成、三維視覺、推薦系統、問答系統和社交網路分析。

當圖表示學習和圖神經網路成為網路資料分析與應用的熱點研究問題，它們將深度神經網路技術用於網路結構的建模與計算，誕生了以DeepWalk、LINE 和node2vec 為代表的圖表示學習技術。

以GCN 為代表的圖神經網路，能夠利用分散式表示方案實現對網路中的節點、邊及其附帶的標籤、屬性和文字等資訊的建模，從而更好地利用網路結構進行精細建模和深度推理，相關技術已經被廣泛用於資料探勘、社會網路分析、推薦系統、自然語言處理、知識圖譜等領域。

《圖表示學習》一書作者：威廉·漢密爾頓（William Hamilton）是麥吉爾大學（McGill University）計算機科學系的助理教授，也是加拿大高等研究院（Canadian Institute for Advanced Research， CIFAR）AI 方向的主席、GraphSAGE 的作者。

他專注於圖表示學習及其在計算社會科學和生物學中的應用。

近年來，他在機器學習和網路科學領域的頂級會議發表了20 多篇關於圖表示學習的論文，他的工作獲得了多個獎項的認可，其中包括2017 年美國科學院Cozzarelli最佳論文獎和2018 年美國斯坦福大學計算機科學系Arthur Samuel 最佳博士論文獎等。

請看下圖：

淺紫色的部分大致梳理了卷積神經網路（Convolutional Neural Network，CNN）的發展歷史， 淺黃色的部分大致梳理了迴圈神經網路（Recurrent Neural Network，RNN）的發展。 如果結合淺紫色的部分和淺黃色的部分，把卷積神經網路加上圖模型，就形成了圖神經網路（Graph Neural Network，GNN）的基本思想。

可以看出，圖神經網路有很長的發展歷史，是一個非常簡單的機器學習演算法在圖上的一個自然延伸，這一波自然延伸的結果是必然有下一波躍遷。

從AI 的發展趨勢來看，AI 將會從感知到認知逐步發展，在這個過程中，圖表示學習和圖神經網路很可能成為其中不可或缺的因素。

（鳴謝：電子工業出版社）

親愛的資料：出品