图数据是对事物间联系的一般抽象，广泛存在于我们的日常生活中，例如社交网络、交通网络、推荐系统和互联网等。

作为图数据分析与挖掘的一种新范式，图表征学习（Graph Representation Learning）是近年来机器学习与数据挖掘领域的热门研究方向。

概括来说，图表征学习是指学习图中的元素，例如节点、边、子图或整个图的向量表征，并应用基于向量的机器学习算法进行图数据的建模与分析。

图表征学习有许多优点，包括从人工特征到自动表征、机器学习模型的适用性、大规模图的可扩展性等，使其在学术界和工业界都受到了广泛关注，并自2014 年开始取得了长足的进展。

例如，根据谷歌学术2022 年的统计结果，图表征学习的一种代表性方法——图卷积神经网络（Graph Convolutional Network，GCN），在人工智能顶级国际会议ICLR（International Conference on LearningRepresentations）过去五年发表的论文中引用量排名第一，已被引用超过2 万次；在2019 年，阿里巴巴达摩院将“超大规模图神经网络系统将赋予机器常识”列为“2019 十大科技趋势”之一。图灵奖得主约书亚·本吉奥（YoshuaBengio）曾指出：“将神经网络扩展到图结构输入是机器学习当前的主要挑战之一”。

此外，在工业界，国内外许多互联网大厂均开发了自己的图表征学习系统，包括但不限于百度的PGL（Paddle Graph Learning）、阿里巴巴的欧拉（Euler）与Graph-Learn、腾讯的柏拉图（Plato）、亚马逊的DGL（Deep Graph Library）、谷歌的TensorFlow-GNN、DeepMind 的GraphNets、Meta 的PBG（Pytorch BigGraph）等。这些情况表明，图表征学习无论在科研还是应用方面，都具有巨大的潜力与价值，并受到了更广泛的关注。

进一步地，许多图数据都处于动态开放环境（Dynamic and Open Environments）之中。其中，动态环境是指图数据，包括结构、特征、性质、任务等，随时间发生变化。开放环境则泛指数据分布、学习目标、特征或标签等因素在机器学习过程或应用场景中发生变化。

例如，

• 在社交网络中，用户间会随时间形成新的关系并删除旧的关系，也可能有新的用户加入，旧的用户退出，且社交网络的演化规律也在不断变化；

• 在交通网络中，不同时刻的道路情况、车流量、外界环境与所发生的事件也在不断变化；

• 在生物网络中，新的疾病（例如新冠病毒）可能具有与以往疾病不同的特性与机理，因此开发新的药物需要考虑多种复杂因素。

如何处理动态开放环境下的图数据对图表征学习提出了更大的挑战，也因此吸引了许多研究者的关注。

考虑到图表征学习的快速发展和广泛应用，《图表征学习：迈向动态开放环境》一书希望尽量全面地介绍图表征学习。

本书作者所在的研究团队——清华大学多媒体与网络实验室，从2014 年左右开始关注图表征学习，并见证了这个领域从新兴，甚至可以说一开始相对小众，发展到目前受到各行各业的广泛关注，并成为一个机器学习和深度学习重要分支的全过程。本书作者基于在该方向的研究积累，并查阅了大量相关资料，费时约两年，写成了这本书。

本书将全面介绍图表征学习，特别是针对处于真实世界动态、开放环境之中图数据的图表征学习方法。本书分为3 篇：

• 第1篇介绍图嵌入和图神经网络等经典图表征学习方法；

• 第2篇围绕鲁棒性、动态性、可解释性、分布外泛化性等多个角度，系统地介绍针对动态开放环境中的图表征学习方法；

• 第3篇以四个不同领域为例，从推荐系统、交通预测、自然语言处理、组合优化等场景，介绍图表征学习的应用方法。

除了对代表性方法进行详细介绍，本书还提供了丰富的参考文献，读者可以更深入地学习图表征学习的前沿内容。

本书适合具有一定机器学习基础的高年级本科生、研究生、教师和研究者，以及对图数据感兴趣的计算机工程师和从业人员阅读，也适合对人工智能、深度学习和图数据分析感兴趣的其他人士参考。