- 注意：本篇文章不是系统性的图神经网络或者图深度学习的入门教程，而是介绍如何入门图神经网络的学习指南以及相关的干货笔记，文中会列出一些视频和文章学习资料，并在本文作一些重点的摘要，读者需要自行前往文本超链接的部分进行学习相应的部分。如果您期望找到一篇细致的介绍GNN的文章，本文并不适合您。
快速入门
- 首先可以先看 刘知远 | 图神经网络：方法与应用的综述（2021智源大会） 的 video 有一个概括性的认识（由于大会上的汇报时间相关问题，后面的部分其实讲的比较匆忙，主要看前面的部分，即下面5页PPT，Video约30min）。
- 其次，可以观看 中科院计算所 沈华伟老师：图神经网络的挑战和可能方向 3min Video
问题：对图结构信息的利用不足；如果在大规模图数据上应用，适应更复杂的场景；图神经网络怎么跟推荐系统结合；如何设计图神经网络的预训练模型。
学习视频的干货笔记
- GNN中常见任务：Graph级别任务、Node级别任务、Edge级别任务
- 节点分类，节点连接预测，图相似度检测，异常检测，图分类
- 多层GNN不会改变图的拓扑结构，但是会改变点的特征，多层GNN处理可以扩大感受野。
- GCN和CNN有什么不同和相同点
- 不同点：图卷积中每个点的邻居数量是不确定的，图卷积中的数据输入格式不确定
- 相同点：GCN和CNN本质都需要对输入数据做特征提取，且都是根据某个点周围点的情况提取特征
- GCN 可以处理 semi-supervised learning，即只有部分节点有标签的情况，计算损失时只用有标签的计算。
- GCN 的层数一般3~5层比较好，层数叠加可能导致反效果。
- GCN中还有一个拉普拉斯矩阵和归一化拉普拉斯矩阵的概念，这里不再赘述，请参考 图拉普拉斯矩阵
- 代码实现基于PyG
Reference
- video
