从上到下，一文带你看全所有GNN分类

从上到下，一文带你看全所有GNN分类

一般来说，我喜欢从上往下的角度来入门一个方向，毕竟入门的秘诀就是从广到深，而不至于在一开始就只见枝叶不见森林。先在心中有个谱，然后再慢慢奏好每个音符，这样就会出来美妙的旋律。

我们挑选了清华大学刘知远老师的《Introduction to Graph Neural Networks》和他们的一份综述《Graph Neural Networks: A Review of Methods and Applications》作为参考。优秀的综述很多，我可能也参考了其他，但主要还是这两者。

本文是一个序章，是一篇导读文，从本文开始，后面的文章我再细细拆分和详解。

让我们开始吧。

总架构

首先是总架构，从下方的思维导图可以看到，我们可以从九个方面来全方面了解我们的GNN。

简单来说可以分成五大部分：

• 基础：包括理解GNN需要的数学基础、图论基础，和神经网络基础。
• GNN的了解：包括图的种类、传播类型、训练方法、通用框架。
• 应用场景：GNN在各个场景下的应用。
• 开放问题：探讨GNN的发展方向。
• 开放资源：GNN常用的数据集和代码框架。

从这里开始，我就逐块介绍每一部分。

数学/图基础

一切深度学习都离不开数学，图神经网络也不例外。为了更方便地理解GNN，这里给出一些相关的数学概念。

• 线性代数：在计算机科学、机器学习领域，线性代数广泛使用。想要对机器学习有深入的理解，就必须对线性代数有个透彻的了解。
• 概率论：不确定性在机器学习领域无处不在，所以我们需要使用概率论来量化和处理不确定性。
• 图论：图是GNN的基础（这不是废话吗），所以想对GNN有个全面的了解，基本的图论知识是必须的。