學(xué)習(xí)資料：
【1】人工智能 | 圖卷積網(wǎng)絡(luò)介紹及進(jìn)展(視頻辉川，中文)
【2】人工智能 | 圖卷積神經(jīng)網(wǎng)絡(luò)的變種與挑戰(zhàn)(視頻，中文)
【3】人工智能 | 圖神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用進(jìn)展(視頻偿乖，中文)
【4】graph-convolutional-networks(網(wǎng)頁(yè))
【5】圖神經(jīng)網(wǎng)絡(luò)?(視頻矗钟，英文)
【6】圖神經(jīng)網(wǎng)絡(luò)?Deep Learning on Graphs?(視頻新症，英文)
【7】圖神經(jīng)網(wǎng)絡(luò)相關(guān)論文集?(github總結(jié))
圖神經(jīng)網(wǎng)絡(luò)(Graph Neural Networks) --?Deep Learning in Graphs
圖1：圖的模型在我們生活中非常常見，eg：社交網(wǎng)絡(luò)圖虐块，蛋白質(zhì)分子結(jié)構(gòu)圖俩滥。
圖2：節(jié)點(diǎn)分類：預(yù)測(cè)一個(gè)節(jié)點(diǎn)的類別；鏈接預(yù)測(cè)：預(yù)測(cè)兩個(gè)節(jié)點(diǎn)之間是否可鏈接贺奠；社交檢測(cè)：識(shí)別密集鏈接的節(jié)點(diǎn)集群霜旧；網(wǎng)絡(luò)相似度計(jì)算：兩個(gè)(子)網(wǎng)絡(luò)的相似度。
圖3：圖中的節(jié)點(diǎn)分類儡率。
圖4：為什么需要學(xué)習(xí)嵌入向量挂据？它的目的是讓圖節(jié)點(diǎn)都表示到低維空間中去。怎么去學(xué)習(xí)節(jié)點(diǎn)的嵌入向量儿普？常用的動(dòng)機(jī)：將所有的節(jié)點(diǎn)都映射為d維度的向量崎逃，然后圖中相似節(jié)點(diǎn)的向量要相似。
圖5：為什么傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型不能直接出來(lái)圖眉孩？个绍？現(xiàn)在的神經(jīng)網(wǎng)絡(luò)模型常常用來(lái)處理規(guī)范化的數(shù)據(jù)，eg：序列數(shù)據(jù)(文本)浪汪、表格數(shù)據(jù)(圖片)障贸。圖網(wǎng)絡(luò)中包含復(fù)雜的拓?fù)浣Y(jié)構(gòu)信息，與文本和圖片的數(shù)據(jù)格式不一樣吟宦。
圖6：卷積神經(jīng)網(wǎng)絡(luò)(CNN)的模型理念，通常用來(lái)處理文本和圖片數(shù)據(jù)涩维。
