图神经网络丨GCN 基础理论 & 系列学习教程

对于图卷积网络 GCN 的研究已经有一段时间了，在实习阶段应用较多且符合自己在校的复杂网络研究方向，但一直没有时间对其进行总结和梳理。因此，在这毕业前利用这漫长的假期对图卷积网络进行再一次回顾，来加深自己的理解并解答自己理论的问题！对于仍存在的疑惑待以后实践中解决！

经典图镇场~

图卷积网络入门系列

GCN 涉及的理论较多所以文章篇幅较长，本系列将其分为三部曲：

• 图卷积网络 GCN（一）研究背景和空域图卷积
• 图卷积网络 GCN（二）图上的傅里叶变换和逆变换
• 图卷积网络 GCN（三）详解三代图卷积网络理论
• 基于频谱域与基于空间域的图卷积网络对比
• 图神经网络 GNN 基准数据集汇总

这三部分内容涉及到的理论知识能大概了解图卷积网络的前世今生，如有疑问待以后慢慢改进！

当然这理论知识并不能让学者体会到图卷积 GCN 的强大及其在工业界中的应用，下面介绍个人所了解的学习资料来深入学习！

学习资料

理论篇

• 如何理解 Graph Convolutional Network（GCN）？：知乎上关于 GNN 比较热的讨论话题
• 深度学习时代的图模型，清华发文综述图网络：一篇综述性质的文章
• thunlp/GNNPapers：清华大学开源的 GNN 相关论文汇总
• Jure Leskovec @ Stanford：斯坦福大学图领域研究大牛
• naganandy/graph-based-deep-learning-literature：GNN 相关论文综述

实践篇

• Open Graph Benchmark: 斯坦福开源的图神经网络数据集及其模型测试集；
• Pytorch-GNN：个人尝试的 GCN demo 和展示效果；
• 图卷积网络到底怎么做，这是一份极简的 Numpy 实现
• graph convolutional network 有什么比较好的应用 task？：GCN 应用领域总结
• Deep Graph Library：图深度学习开源框架 DGL；
• Pytorch Geometric：图深度学习开源框架 PyG；
• Papers Notes: 个人图神经网络相关研究阅读笔记；

目前仅了解这么多内容，以后学习再进行更新！