深度学习在许多领域（譬如计算机视觉和自然语言处理）都取得了可喜的进展。这些任务中的数据通常在欧几里得域进行表示。在复杂的实际应用中，图是一种非常有用的数据结构。它可以被应用在例如物理系统建模，分子指纹学习，交通网络控制以及社交网络推荐等任务中。但是，这些任务需要处理在非欧几里得域中进行表示的图数据。图中往往包含着元素之间丰富的关系信息，无法通过传统深度学习模型（例如，卷积神经网络（CNN）或递归神经网络（RNN））进行方便地处理。除此之外，图中的节点通常包含有用的特征信息，这些信息在大多数无监督的表示学习方法（例如网络嵌入方法）中无法得到很好的利用。基于上述观察，研究人员提出了图神经网络（GNN）来结合特征信息和图结构，通过特征传播和聚合来更好地学习基于图的表示。图神经网络（GNN）是在图上运行的基于深度学习的方法，由于其较好的性能，最近已成为一种广泛应用的图分析方法。

该书全面介绍了图神经网络的基本概念，相关模型和应用。它首先介绍了相关的数学和神经网络的基础知识。之后介绍了GNN的基本概念与模型，旨在为读者提供一个总体概述。然后介绍了GNN的不同变体，例如图卷积网络，图递归网络，图注意力网络，图残差网络和一些通用框架。书中还包括了处理不同图类型的变体以及一些进阶的训练方法。该书将GNN的应用场景划分为结构化场景（如物理系统，化学，知识图谱），非结构化场景（比如图像和文本）和其他场景（如生成模型与组合优化问题），然后介绍了解决这些任务的几种典型模型。最后，本书提供了GNN的开放资源以及一些未来方向的展望。