长期以来，链路预测一直是网络结构化数据分析的重点。虽然简单有效，但像共同邻居这样的启发式方法主要使用预定义的假设执行链路预测，并且只使用表面的结构特征。虽然人们普遍认为一个节点可以由一堆邻居节点来表征，但网络嵌入算法和新出现的图神经网络仍然利用整个网络的结构特征，这可能不可避免地带来噪声并限制这些方法的可扩展性。在本章中，我们提出了一个基于深度学习的端到端的链路预测框架，即超子结构增强链路预测器(Hyper- substructure Enhanced Link Predictor, HELP)。HELP利用给定节点对的局部拓扑结构，避免了无用的特征。为了进一步利用高阶结构信息，HELP还从超子结构网络(Hyper- substructure Network, HSN)中学习特征。在五个基准数据集上进行的大量实验显示了HELP在链路预测方面的较强性能。 本书主要关注图数据的监督学习。前三章介绍了关于节点分类、链路预测和图分类的最先进的图数据挖掘算法，随后一章介绍了用于进一步增强这些现有图数据挖掘算法的图增强算法。第5章和第6章分别分析了这些算法在对抗攻击下的脆弱性以及提高其鲁棒性的方法。值得注意的是，我们还在第5章中分析了社团检测作为无监督学习的脆弱性，并进行全面回顾。接下来，我们将对节点分类、链路预测和图分类进行简要回顾，并简单介绍本书的各个章节。