این کتاب به بررسی مفاهیم و تکنیکهای اساسی میپردازد که امکان یادگیری از گرافها را فراهم میکنند و در واقع پلی بین نظریه گراف و یادگیری ماشین ایجاد میکند. این کتاب به گونهای ساختار یافته است که یک تجربه یادگیری واضح و پیشرونده را ارائه دهد و بلوکهای سازنده ضروری یادگیری ماشین در گراف (شامل نظریه گراف، روشهای کم عمق و عمیق برای تعبیه گرهها و همچنین برخی از کاربردهای این حوزه) را پوشش میدهد. کتاب شامل 12 فصل است که هر یک به جنبههای مختلف یادگیری ماشین در گراف اختصاص دارد. فصل اول به مقدمه و انگیزه نگارش کتاب پرداخته و زمینهسازی و انگیزه لازم را برای خوانندگان فراهم میآورد. در فصلهای دوم و سوم، روشهای سنتی استخراج ویژگی در گراف و روشهای تعبیه گره بررسی میشوند. فصلهای چهارم تا ششم به موضوعات خاصی مانند دیدگاه ماتریسی گراف، الگوریتم PageRank، پردازش سیگنال گراف و ارسال پیام و طبقهبندی گره میپردازند. فصلهای هفتم تا دوازدهم مربوط به مباحث پیشرفتهتری هستند که شامل شبکههای عصبی گراف، دیدگاه کلی در GNNها، تقویت و آموزش GNN، کاربردهای GNN، کاوش زیرگرافهای متداول با استفاده از GNN و مفاهیم پیشرفته در GNN میشوند.
