本书基于图神经网络研究网络表示学习，具体内容包括：改进了高阶图卷积神经网络、图注意力网络、自编码架构和图的小波神经网络等模型，构建网络表示学习模型，并在图基础任务（如链路预测和节点分类）上取得了有效的性能。此外，本书采用前沿的图对比学习架构，通过增强图数据表示有效缓解数据稀疏问题，并在知识图谱的基础任务上显著提升性能。本书面向图数据应用，提出一种关系感知的异构图神经网络模型，可进行关系预测设计，并通过实验验证其优越性能。本书所提出的算法对当下热门的图学习领域进行了拓展，能够成功应用于推荐系统、关系预测、交通流预测等网络分析任务，为现实世界中的复杂问题提供了全新的解决方案。

第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 静态属性网络嵌入
1.2.2 时序普通网络嵌入
1.2.3 时序属性网络嵌入
1.2.4 时序网络链路预测
1.2.5 同构网络嵌入
1.2.6 异构网络嵌入
1.2.7 多关系图学习
1.2.8 时序异构网络链路预测
1.3 本书研究工作介绍
第2章 相关理论与技术
2.1 网络表示学习概述
2.1.1 静态图表示学习
2.1.2 动态图表示学习
2.2 图神经网络概述
2.2.1 基于谱域的图卷积网络
2.2.2 图注意力网络
2.2.3 异构图神经网络
2.2.4 高阶图神经网络
2.2.5 图小波神经网络
2.2.6 时序卷积网络
2.3 多关系图对比学习
2.4 深层自编码架构
第3章 基于高阶图卷积神经网络模型的时序网络嵌入方法
3.1 问题定义
3.2 方法
3.2.1 时空特征提取方法
3.2.2 时空高阶图卷积时序网络
3.3 实验
3.3.1 数据集和对比模型
3.3.2 实验结果
3.3.3 参数敏感性分析
第4章 基于注意力机制网络嵌入方法
4.1 问题定义
4.2 静态属性网络嵌入
4.2.1 拓扑特征提取
4.2.2 节点嵌入
4.3 时序属性网络嵌入
4.3.1 拓扑特征提取
4.3.2 节点嵌入
4.4 实验
4.4.1 实验设置
4.4.2 实验结果
4.4.3 消融研究
4.4.4 参数敏感性分析
第5章 基于深度自编码器架构的时序表示学习方法
5.1 问题定义
5.2 模型
5.2.1 特征处理
5.2.2 节点嵌入
5.3 实验
5.3.1 数据集和对比模型
5.3.2 实验结果
5.3.3 消融研究
5.3.4 参数敏感性分析
第6章 基于小波图神经网络的时序网络链路预测方法
6.1 问题定义
6.2 拓扑与时序图小波神经网络
6.2.1 拓扑特征提取和时序特征提取
6.2.2 神经网络模型
6.3 实验
6.3.1 数据集
6.3.2 评估度量模型和对比模型
6.3.3 实验结果
6.3.4 参数敏感性分析
6.3.5 可伸缩性分析
第7章 基于深度学习架构的时序网络链路预测
7.1 问题定义
7.2 时间戳分层采样图小波神经网络
7.2.1 时空特征提取
7.2.2 神经网络模型
7.3 实验
7.3.1 数据集
7.3.2 评估度量和对比模型
7.3.3 实验结果
7.3.4 消融研究
7.3.5 参数敏感性分析
第8章 基于分层注意力的异构时序网络嵌入方法
8.1 问题定义
8.2 模型
8.2.1 采样异构邻居
8.2.2 层次注意力
8.3 实验
8.3.1 层次注意力
8.3.2 实验结果
8.3.3 消融研究
8.3.4 参数敏感性分析
第9章 基于可学习图增强的多关系图对比学习方法
9.1 问题定义
9.2 方法
9.2.1 多关系图学习
9.2.2 可学习的多关系图增强
9.2.3 子图对比损失函数
9.3 实验
9.3.1 实验设置
9.3.2 药物相互作用事件预测
9.3.3 知识图谱的多关系推理
9.3.4 多关系推荐
9.3.5 消融研究
9.3.6 超参数分析
第10章 基于关系感知的异构图卷积网络关系预测方法
10.1 问题定义
10.2 方法
10.2.1 生成连续时间的时序邻居
10.2.2 关系感知异构图卷积网络
10.3 实验
10.3.1 数据集和对比模型
10.3.2 关系预测
10.3.3 消融研究
10.3.4 时间片影响
10.3.5 层数影响
10.3.6 RHGCN的效率
第11章 总结与展望
11.1 总结
11.2 展望
参考文献