【干货】图神经网络的十大学习资源分享

本文转自雷锋网，如需转载请至雷锋网官网申请授权。

图神经网络（GNNs）是深度学习的一个相对较新的领域，从最近开始越来越流行。Twitter、Google或Facebook等大公司都会开始对于GNN投入研究，事实证明了GNN优于其他使用图数据的机器学习模型。

【干货】图神经网络的十大学习资源分享

由于此领域的发展非常迅速，GNN背后的知识还不是那么容易获得。目前，你可以在互联网上以研究论文、文章或博客的形式找到散落在各地的GNN理论。我们缺乏的是一本GNN书籍，或者是一本在线资源汇编，来帮助人们进入了解这个领域的工作。

经过一番搜索，我发现其实有几个相当不错的资源，以一种容易理解的方式来解释GNN。希望对这个领域的新人有所帮助。让我们开始吧!

1.由William L. Hamilton编写的图表示学习书籍

本书是改变游戏规则的书，目前可以在线下载的预出版的版本。本书从图理论和传统图方法等初级课题开始，到前沿GNN模型和最先进的GNN研究等高级课题。本书设计精巧，自成体系，拥有图神经网络所需的大部分理论。

这是斯坦福大学专门研究基于图的机器学习的课程。它有公开的幻灯片，从他们的讲座以及推荐阅读列表。如果你想系统地学习一门结构良好的课程，这将是一个很好的选择。

这是一本提供在线交互式的书籍，主要介绍图和网络理论。虽然它没有讨论GNN，但它是获得在图数据上操作的坚实基础的极好资源。

由GNN领域最著名的研究者之一--Thomas Kipf博士创建的一个优秀博客。在他的文章中，他轻描淡写地介绍了GNN，提供了最新方法的文献回顾，并讨论了他的论文— Semi-Supervised Classification with Graph Convolutional Networks.

Michael Bronstein是伦敦帝国理工学院的教授，也是Twitter的图学习研究的负责人。最近，他开始在Towards Data Science发表文章。他的博客文章主要以数学视角关注GNNs以及该领域的最新发展。他往往会引用许多其他关于GNNs的文章，这可能会帮助你发现其他有趣的文章。

虽然这里并不完全是关于GNN的内容，但本书的部分内容提供了基于GNN模型的实际应用。它解释了如何使用生命科学的深度学习库--Deepchem将GNNs应用于分子数据集。它还进一步讨论了GNNs的不同预处理方法。

Flawnson在Medium上发表了几篇关于GNN的介绍性的文章。它们针对的是那些想对图神经网络背后的理论有基本了解的初学者。如果你想一窥GNNs是什么，这将是一个很好的选择。

这是一个近期GNN论文的汇编仓库，包含了这个领域已发表的大部分论文。他们将列表细分为单独的主题，比如我们。如果你正在查找GNNs特定细分应用的论文，这个仓库值得一试。

Paperswithcode是一个大家都很熟悉的网站，它将研究论文与其代码一起分享。如果你想找到已经有代码实现的GNN模型，这是一个不错的地方。