近年来，图表示学习的研究激增，包括深度图嵌入（deep graph embeddings）技术、卷积神经网络对图结构数据的泛化以及受置信传播启发的神经信息传递方法。

与此同时，图表示学习的这些进步促成了许多领域的最新成果，包括化学合成、3D 视觉、推荐系统、问题解答和社交网络分析等。

加拿大麦吉尔大学计算机科学助理教授 William Hamilton 的《图表示学习》（Graph Representation Learning）报告系统性介绍最新图表示学习的进展。

• 图表示学习的简史
• 两个理论范式
• 三个未决问题和一个重大挑战