本文转载自雷锋网。图神经网络(GNN)是一个相对较新的深度学习领域，最近越来越受欢迎。Twitter、Google或Facebook等大公司将开始投资GNN的研究，并且已经证明GNN优于其他使用图数据的机器学习模型。由于该领域发展非常迅速，因此GNN背后的知识还不是那么容易获得。目前，您可以找到以研究论文、文章或博客的形式散布在整个Internet上的GNN理论。我们缺少的是一本GNN书籍，或者在线资源汇编，以帮助人们入门并了解该领域的工作。经过一番搜索，我发现实际上有一些非常好的资源以一种易于理解的方式解释GNN。希望这对这个领域的新手有所帮助。让我们开始吧！1.GraphRepresentationLearningBook作者：WilliamL.HamiltonGraphRepresentationLearningBook这本书是一本改变游戏规则的书，目前在线提供预发布版本。本书从图论和传统图方法等基本主题开始，到前沿GNN模型和最先进的GNN研究等高级主题。本书设计精良，内容完备，涵盖了图神经网络所需的大部分理论知识。2.StanfordCourseNotes-MachineLearningandGraphsC224W|Home这是斯坦福大学的一门课程，专门研究基于图的机器学习。它有他们讲座的公开幻灯片以及推荐的阅读清单。如果您想系统地学习结构良好的课程，这是一个不错的选择。3.Albert-LászlóBarabási主编的网络科学书籍NetworkSciencebyAlbert-LászlóBarabási这是一本在线互动书籍，主要介绍图和网络理论。虽然它没有讨论GNN，但它是一个很好的资源，可以为图形数据操作打下坚实的基础。4.ThomasKipf博客图卷积网络有多强大？由GNN领域最著名的研究人员之一ThomasKipf博士创建的优秀博客。在他的文章中，他简要介绍了GNN，提供了最先进方法的文献综述，并讨论了他的论文——使用图卷积网络进行半监督分类。5.MichaelBronsteinBlogMichaelBronstein—MediumMichaelBronstein是伦敦帝国理工学院教授，??也是Twitter图学习研究的领导者。最近，他开始在TowardsDataScience上发表文章。他的博文主要从数学角度关注GNN和该领域的最新发展。他倾向于引用许多其他关于GNN的文章，这可能会帮助您发现其他有趣的文章。6.DeepLearninginLifeSciences:ApplyingDeepLearningtoGenomics,Microscopy,DrugDiscovery,etc.DeepLearningfortheLifeSciences尽管这里不是所有关于GNNs，本书的部分内容提供了实际应用。它解释了如何使用Deepchem（一种用于生命科学的深度学习库）将GNN应用于分子数据集。它还进一步讨论了GNN的不同预处理方法。7.FlawnsonTong博客FlawnsonTong-TowardsDataScienceFlawnson在Medium上发表了多篇关于GNN的介绍性文章。它们面向希望对图神经网络背后的理论有基本了解的初学者。如果您想了解什么是GNN，这将是一个不错的选择。8.GNN近期论文合集—Github仓库thunlp/GNNPapers这是GNN近期论文的汇编仓库，收录了该领域发表的大部分论文。他们将列表细分为单独的主题，就像我们一样。如果您正在寻找有关GNN特定细分应用的论文，这个存储库值得一试。9.GraphNeuralNetworksandCodePaperswithCode-PapersWithCode：搜索图神经网络Paperswithcode是一个著名的网站，它与他们的代码共享研究论文。如果你想找到已经有代码实现的GNN模型，这是个好地方。10.AComprehensiveSurveyonGraphNeuralNetworks该研究论文总结了GNN中的大部分重要发现，简要概述了GNN背后的历史，并讨论了不同类型的GNN架构。
