本书分为五篇，覆盖基础理论、自然语言处理、计算机视觉、图学习及综合应用，重点解析自然语言处理、计算机视觉、图深度学习与多模态深度学习的发展脉络；以Transformer为核心，详解其结构、经典模型及其在生成式任务中的应用。同时，本书聚焦图卷积网络与图注意力网络，从谱图卷积到多头注意力机制，探讨其在节点分类、图对齐等问题中的应用，并提供实验分析与方法对比。最后，以多模态知识图谱对齐为案例，整合文本、图像等模态编码器，阐述多模态信息融合与实体对齐的实践方案。