关于图神经网络基础学习笔记（一）

update: 2023.9.18

一、前言与图神经网络的应用场景

对于之前只接触过神经网络的我来讲，图神经网络能够使用在任意只要能构成图的数据当中，令我十分感兴趣。并且由于我导师的建议下，正在进行图神经网络与控制论的理论学习。

图神经网络（GNN）最主要是提供了图嵌入（Graph Embedding）这一可以用来进行图表征学习的技术，将传统的图分析引入，扩展了深度学习对于非欧几里得数据的处理能力，提供了对非规则数据提取特征的方法，它被广泛应用于社交网络，推荐系统，金融风控，物理系统，分子化学，生命科学，知识图谱，交通预测等领域。但对于非结构化数据（文本，图像）,目前研究人员均有所尝试，但具体的应用成果比较少。

商业推荐：Ying R, He R, Chen K, et al. Graph convolutional neural networks for web-scale recommender systems[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, 2018: 974-983.
动作识别：Yan S, Xiong Y, Lin D. Spatial temporal graph convolutional networks for skeleton-based action recognition[C]//Thirty-Second AAAI Conference on Artificial Intelligence. 2018.
语义分析：Marcheggiani D, Titov I. Encoding sentences with graph convolutional networks for semantic role labeling[J]. arXiv preprint arXiv:1703.04826, 2017.
知识图谱：Dettmers T, Minervini P, Stenetorp P, et al. Convolutional 2d knowledge graph embeddings[C]//Thirty-Second AAAI Conference on Artificial Intelligence. 2018.
路况预测：Yu B, Yin H, Zhu Z. Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting[J]. arXiv preprint arXiv:1709.04875, 2017.
基于会话推荐：Wu S, Tang Y, Zhu Y, et al. Session-based recommendation with graph neural networks[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2019, 33: 346-353.
分子优化：Jin W, Yang K, Barzilay R, et al. Learning multimodal graph-to-graph translation for molecular optimization[J]. arXiv preprint arXiv:1812.01070, 2018.