图神经网络基础

传统机器学习

默认二者独立同分布，只需要拟合决策边界分类或拟合回归的曲线即可。

现代神经网络

斯坦福CS的相关课程：

网络类型	数据类型	课程
全连接神经网络	表格	无
卷积神经网络	图像	CS231N
循环神经网络、Transformer	文本语音带序列	CS224N
图神经网络	图数据	CS244W

复杂的图结构

1. 任意尺寸输入
2. 没有固定的节点顺序和参考锚点
3. 动态变化，多模态特征

表示学习 - 图嵌入 - node embedding

把一个复杂的图节点表示为一个d维向量，能充分表示原始数据的语义。

做这件事的实际就是图神经网络干的事情。

图神经网络无需专门的特征提取设计，可以直接端到端的表示学习出特征。(自动学习特征)(类似CNN)

CS224W的概述

1. 传统图机器学习方法
2. 图(节点)嵌入(node embeddings)：DeepWalk、node2vec (这里还没开始用图神经网络)
3. 图神经网络：GCN(图卷积)、GraphSAGE、GAT(图注意力网络)、GNN
4. 知识图谱和推理：TransE、BetaE
5. 生成一个新图：GraphRNN
6. 图数据挖掘

推荐的图工具库

pyg 类同 pytorch 但有高级封装可以直接调用

graphgym

networkx

dgl 复现了很多顶会论文的源码，学术推荐

echarts 可视化必备

graphxr 做知识图谱渲染好用

图数据的排名

https://db-engines.com/en/ranking/graph+dbms

图神经网络任务层级

1. 节点层面 node-level
2. 连接层面(边层) edg-level
3. 子图层面 subgraph-level
4. 全图层面 graph-level

后言

好玩的网站

https://open-leaderboard.x-lab.info/

https://crx.hypertrons.io/