2018年，清华大学正式提出第三代人工智能的理论框架体系：（1）建立可解释、健壮性的人工智能理论和方法；（2）发展安全、可靠、可信及可扩展的人工智能技术；（3）推动人工智能创新应用。这就要求未来的GNN一定是面向推理、面向认知的。
怎么做推理（reasoning）、规划（planning）、逻辑（logical）甚至人的表示，这是一个很大的问题，而图表示学习（Graph Representation Learning，GRL）也许是破解这个秘密的关键。如今，从电信网络到社交网络，从经济网络到生物医学网络……图结构的数据无处不在。如何提取图的特征，表示或编码图的结构，从图数据进行学习、推理和归纳变得越来越重要。
因为无论是进行数据挖掘、分析社交网络，还是优化推荐系统、问答系统，乃至未来破解AI黑盒，增强AI可解释性与鲁棒性，实现认知智能甚至通用人工智能，图都极有可能是其中必不可少的一环。近年来，关于图表示学习的研究激增，其中既包括用于深图嵌入的技术、卷积神经网络在图结构数据上的泛化，也包括受置信度传播算法启发的神经消息传递方法。
图表示学习的进展为推荐系统、问答系统、三维视觉、化学合成等诸多领域带来了最新的研究成果。为了促进AI特别是图表示学习、图神经网络领域的发展，来自AI TIME的志愿者自发联系出版社引进了William Hamilton编写的Graph Representation Learning一书，并自发翻译，最终以《图表示学习》作为中文书名，作为AI TIME两周岁的生日礼物。
《图表示学习》（Graph Representation Learning）从背景介绍、节点嵌入、图神经网络、生成图模型等角度全面、系统地介绍了图表示学习的历史与前沿，堪称是图表示学习的开山之作，得到了清华大学唐杰教授的大力推荐。
本书主要内容包括以下几部分：讨论图表示学习的目标及图论和网络分析的关键方法论；介绍并回顾学习节点嵌入的方法，包括基于随机游走的方法以及在知识图谱上的应用；对GNN进行技术上的综合介绍，因为GNN已成为图数据深度学习领域占主导地位且迅速发展的范式；总结针对图的深度生成模型的前沿进展，这是图表示学习新生但发展迅速的子集。新书不仅内容全面，而且探本溯源、来深入浅出。
用丰富的配图和详细的推导一步步告诉读者来龙去脉。并且介绍了目前的最前沿的研究进展，提供了丰富的参考文献、PPT等资源。
William Hamilton博士毕业于斯坦福大学，现任吉尔大学助理教授，曾任职于Facebook AI Research，是GraphSAGE、Deep Graph Infomax等产品的核心开发者。
在感知智能已经取得长足进步，认知智能时代悄然开启的今天，AI TIME也已经悄然走过了两周年。在两年的时光中，AI TIME从1911咖啡馆起航，组织了上百场活动、邀请了上千位讲者、收获了几十万次观看量……AI TIME一直秉承初心，专注于探索AI科学、发扬科学思辨精神，鼓励所有参与者用辩论的形式，平等、自由、充分地探讨AI和人类未来之间的矛盾，探索AI的未来。
两年时光里，AI TIME见证了AI技术的发展、见证了分享嘉宾对AI的憧憬与担忧，见证了志愿者的迷茫与成长，见证了企业的挫折与壮大……此次学术头条联合AI TIME特别赠送5本《图表示学习》纸质书籍。参与方式：留言+点赞。今日问题：关于图表示学习，你最看好的应用场景是什么？
（不少于30字的相关回答，禁止copy原文）学术君将会根据留言质量进行筛选，并从中选出5名留言点赞最高的读者，为每人送出《图表示学习》纸质书籍一本。截止时间：2021年6月18日下午6点。