本书详细阐述了与图机器学习相关的基本解决方案，主要包括图的基础知识、图机器学习概述、无监督图学习、有监督图学习、使用图机器学习技术解决问题、社交网络图、使用图进行文本分析和自然语言处理、信用卡交易的图分析、构建数据驱动的图应用程序和图的新趋势等内容。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。

第1篇 图机器学习简介
第1章 图的基础知识
1.1 技术要求
1.2 图的定义
1.3 图的类型
1.3.1 有向图
1.3.2 多重图
1.3.3 加权图
1.3.4 二分图
1.4 图的表示方式
1.4.1 邻接矩阵
1.4.2 边列表
1.5 绘制图
1.5.1 networkx
1.5.2 Gephi
1.6 图属性
1.7 集成指标
1.7.1 距离、路径和最短路径
1.7.2 特征路径长度
1.7.3 全局和局部效率
1.8 隔离指标
1.8.1 聚类系数
1.8.2 传递性
1.8.3 模块度
1.9 中心性指标
1.9.1 度中心性
1.9.2 接近度中心性
1.9.3 中介中心性
1.10 弹性指标
1.11 图和网络模型示例
1.11.1 简单的图的示例
1.11.2 生成图模型
1.11.3 Watts-Strogatz(1998)
1.11.4 Barabasi-Albert(1999)
1.12 基准数据集和存储库
1.12.1 网络数据存储库
1.12.2 斯坦福网络分析平台
1.12.3 开放图基准
1.13 处理大图
1.14 小结
第2章 图机器学习概述
2.1 技术要求
2.2 理解在图上执行的机器学习
2.2.1 机器学习的基本原理
2.2.2 在图上执行机器学习的优势
2.3 泛化的图嵌入问题
2.4 图嵌入机器学习算法的分类
2.4.1 编码器和解码器架构
2.4.2 嵌入算法的分类
2.4.3 嵌入算法的有监督和无监督版本
2.5 小结
第2篇 基于图的机器学习
第3章 无监督图学习
3.1 技术要求
3.2 无监督图嵌入算法的层次结构
3.3 浅层嵌入方法
第3篇 图机器学习的高级应用