图是一种强大的数据结构，能够模拟许多现实世界中的场景。尽管图可以捕捉实体间的关系信息，但很多传统的机器学习模型却忽视了这些关系信息，或者缺乏有效的方法来建模这些关系信息。

《图机器学习导论》一书介绍了当前较新的基于图的机器学习方法。图数据通常包含丰富的关系信息，然而，许多以前的机器学习模型往往只关注单个样本的特征，而忽略了样本之间的关系信息。

图机器学习提供了一种利用这些关系数据的方法。这种方法使我们不仅能够考虑图中每个节点自身的特性，还可以考虑到其相邻节点及其特性，从而获得更佳的表现。

图机器学习主要通过两种方式实现：一种是将图转换成表格形式，然后使用传统的机器学习方法；另一种是直接在图结构上应用机器学习技术，如图神经网络。

例如，DeepWalk、Node2Vec等基于随机游走的算法就是第一种方法的代表。它们通过随机游走将网络结构转化为序列，再用成熟的Skip-Gram方法进行处理。而图神经网络则属于第二种方法，直接在图结构上进行机器学习操作。

《图机器学习导论》详细介绍了图机器学习的发展历程和应用场景，包括网络表示学习、图神经网络等方法，并探讨了它们在问答系统和知识图谱等领域的应用。

以上内容展示了图机器学习的重要性和多样性，它正在成为机器学习领域的一个重要分支。无论是学术界还是工业界，图机器学习都展现出了巨大的潜力和价值。