图神经网络GNN是基于深度学习的图数据处理方法,因其卓越的性能而受到广泛关注。全面介绍了GNN的基本概念、具体模型和实际应用。书中首先概述数学基础和神经网络以及图神经网络的基本概念,接着介绍不同种类的GNN，包括卷积图神经网络、循环图神经网络、图注意力网络、图残差网络,以及几个通用框架。此外，介绍了GNN在结构化场景、非结构化场景和其他场景中的应用。将对GNN的最新成果和发展方向有较为透彻的认识。



作为学习参考：
《图神经网络导论》PDF+刘知远
《图神经网络导论》PDF+刘知远，152页，文字可以复制。作者：刘知远,周界
下载: https://pan.baidu.com/s/1WfuN92CIgaq2njDwdsksXA?pwd=gjcn
提取码: gjcn

深度学习在诸如计算机视觉和自然语言处理等领域取得了显著的成果。在这些任务中，数据一般是在欧几里得域中表示的。然而在诸如物理系统建模、分子指纹学习、蛋白质作用位点预测等许多其他任务中，需要处理非欧几里得结构的图数据。这些数据包含元素之间丰富的关系信息。图神经网络是基于深度学习的图数据处理方法，由于其卓越的性能和较好的可解释性，图神经网络近年来被广泛应用于图分析。

针对现有的图神经网络模型给出翔实的综述，包括图神经网络的原模型,以及基于不同传播机制、适用于不匠图类型、采用不同训练方法的多种变体，还给出数个通用框架。不同模型的设计思路与相应对比。针对图神经网络的应用给出系统的分类，将其分为结构化场景、非结构化场景和其他场景,并为每类场景都列举数个主要应用及其对应的解决方案。

在机器学习中，神经网络是最重要的模型之一。人工神经网络由许多相互连接的神经元组成，其结构与生物神经网络非常相似。神经网络通过以下方式学习:以随机权重或随机值开始，神经元之间的连接通过反向传播算法反复更新其权重或值，直到模型执行得相当精确为止。最后，将神经网络学习到的知识以数字的形式存储在连接中。关于神经网络的大多数研究试图改变其学习方式（使用不同的算法或不同的结构），旨在提高模型的泛化能力。