Grafbaserte data er utbredt innen både naturvitenskap og samfunnsvitenskap, fra telekommunikasjonsnettverk til kvantekjemi. Det å integrere relasjonelle induktive skjevheter i dype læringsarkitekturer er avgjørende for å utvikle systemer som kan lære, resonnere og generalisere fra denne typen data. De siste årene har det vært en økning i forskningen på grafrepresentasjonslæring, som inkluderer teknikker for dype grafinnbæringer, generaliseringer av konvolusjonsnevrale nettverk til grafstrukturerte data, samt nevrale meldingsformidlingstilnærminger inspirert av troverdighetsformidling. Disse framskrittene innen grafrepresentasjonslæring har ført til nye banebrytende resultater på mange områder, inkludert kjemisk syntese, 3D-visjon, anbefalingssystemer, spørsmålssvar-systemer og analyse av sosiale nettverk. Boken gir en omfattende oppsummering og oversikt over grafrepresentasjonslæring, og starter med en diskusjon om målene for grafrepresentasjonslæring samt viktige metodologiske grunnlag innen grafteori.
