一、导读

​ 传统深度学习技术，如循环神经网络和卷积神经网络已经在图像等欧式数据和信号等序列数据上取得巨大的成功。然而，在丰富的自然科学领域，现实世界的许多重要的对象和问题可以自然的或最优的用复杂的图结构来表达，如·社交网络、推荐系统、药物发现和程序分析中的图或流形结构。一方面，这些图结构的数据可以编码复杂的点对关系，以学习更丰富的信息表征；另一方面原始数据（图像或连续文本）的结构和语义信息中纳入特定领域知识可以捕获数据之间更细粒度的关系。${}_{[1]}$

​ 应用图神经网络架构的一些著名领域：社交网络、生物信息学等。渗透到的其他领域：推荐系统，计算机视觉，自然语言处理，程序分析，药物发现，异常检测，智慧城市等

1.1 当前图神经网络的难点

1. 图的空间局部性和结构不如图像或文本之间那么强${}_{[1]}$，图像与文本往往具有比较明确的时间顺序或空间顺序

2. 图神经网络的输入往往是任意尺寸，任意类型的输入。图的结构决定了图可以提供一种强大的抽象，可以用来编码多种数据。${}_{[1]}$

3. 图神经网络经常是动态图，而且包含多模态的特征。（如歌曲可以包含歌唱者，歌词等文本特征，也有歌曲专辑图片等图像特征，还有歌曲本身的音频数据）

1.2 图神经网络应用场景及对应的相关模型：

1.3 图神经网络的应用方向及应用场景

二、图机器学习、图神经网络编程工具

• PyG（PyTorch Geometric）：官方自己的库，和PyTorch类似
• GraphGym
• NetworkX
• DGL：李沐老师推荐的，适合进行学术研究
• 图数据可视化：AntV、Echarts、GraphXR

参考文献

[1] 图神经网络——基础、前言与应用

[2] 斯坦福CS224W图机器学习、图神经网络、知识图谱【同济子豪兄】