课程及视频
1. 斯坦福大学 CS224W:图机器学习
课程主页:http://web.stanford.edu/class/cs224w/
授课语言:英文
2. 宾夕法尼亚大学 图神经网络课程
课程主页:https://gnn.seas.upenn.edu/
授课语言:英文
3. 密歇根州立大学 & 深蓝学院 图深度学习课程
课程主页:https://www.shenlanxueyuan.com/course/376
授课语言:中文
点击下方可以向老师咨询相关课程哦!
书籍与教程
1. Deep Learning on Graphs / 图深度学习(2021 年出版)
推荐原因:这是最新出版的中文书籍,也是目前最好的一本书。书籍内容详实,结构清晰;书中有严谨且统一的数学公式表达,可以作为图深度学习领域教材。书籍作者在该领域有较深的研究基础。
推荐指数:★★★★★
英文开源版本:http://cse.msu.edu/~mayao4/dlg_book/
中文正式课程:https://www.shenlanxueyuan.com/course/376
2. A Gentle Introduction to Deep Learning for Graphs(2020 年发布)
推荐原因:这份教程,相对于对最新 paper,更主张对主要概念和体系结构方面进行一致且渐进的介绍。对于希望系统性学习图深度学习的同学来说,是一份不错的资料。
推荐指数:★★★★
英文开源版本:https://arxiv.org/abs/1912.12693
3. 图神经网络:基础与前沿(2021 年出版)
推荐原因:书籍内容比较简略,对于希望了解图神经网络的科研人员以及工程师来说,还凑合,但书籍内容深度较为欠缺。
推荐指数:★★
4. 深入浅出图神经网络:GNN 原理解析(2019 年出版)
推荐原因:仅仅为了这份资料的全面性,希望可以全面展示当下国内图深度学习领域的书籍,但书籍内容值得商榷,书籍豆瓣评分也非常低。
推荐指数:★★
5. Introduction to graph neural networks / 图神经网络导论(2021 年出版)
推荐原因:书籍内容更多是作者课题组所发表论文的归纳整理,实际参考价值不大。
推荐指数:★
综述性文章
1. 图深度学习综述
A Comprehensive Survey on Graph Neural Networks, Zonghan Wu, et al, 2020.
引用量:1732
Graph Neural Networks: A Review of Methods and Applications, Jie Zhou, et al, 2019.
引用量:1129
Deep Learning on Graphs: A Survey, Ziwei Zhang, et al, 2020.
引用量:399
A Survey on The Expressive Power of Graph Neural Networks, Ryoma Sato, 2020.
引用量:30
2. 图深度学习在 NLP 中的应用
Graph Neural Networks for Natural Language Processing: A Survey, Lingfei Wu, et al, 2021
引用量:刚发布
3. 图深度学习在推荐系统中的应用
Graph Learning Approaches to Recommender Systems: A Review, Wang S, et al, 2020.
引用量:6
图深度学习相关参考库
- AWS Deep Graph Library
项目地址:https://www.dgl.ai/
- PyTorch 的几何深度学习扩展库 PyG
项目地址:https://github.com/rusty1s/pytorch_geometric
Git Star: 11500
- DeepMind 开源的图神经网络框架 Graph Nets
项目地址:https://github.com/deepmind/graph_nets
Git Star: 4900
- 使用 TF2 与 Keras 实现的经典 GNN 的开源库——Spektral
项目地址:https://github.com/danielegrattarola/spektral/
Git Star: 1800
- 阿里巴巴面向工业场景而设计的 Graph-Learn
项目地址:https://github.com/alibaba/graph-learn
Git Star: 876
开源代码
1. DeepWalk / LINE
链接:
DeepWalk: https://github.com/phanein/deepwalk
LINE: https://github.com/tangjianpku/LINE
简介:虽然 DeepWalk 和 LINE 属于网络表示学习中的算法,与现在端到端的图神经网络有一定的区别,但目前一些图神经网络应用(如社交网络、引用网络节点分类)依然使用 DeepWalk/LINE 来作为预训练算法,无监督地为节点获得初始特征表示。另外,DeepWalk 项目中的 Random Walk 也可以被直接拿来用作图神经网络的数据采样操作。
2. 图卷积网络 GCN TensorFlow / PyTorch 版
链接:
TensorFlow: https://github.com/tkipf/gcn
PyTorch: https://github.com/tkipf/pygcn
简介:GCN 论文作者提供的源码,该源码提供了大量关于稀疏矩阵的代码。例如如何构建稀疏的变换矩阵(这部分代码被其他许多项目复用)、如何将稀疏 CSR 矩阵变换为 TensorFlow/PyTorch 的稀疏 Tensor,以及如何构建兼容稀疏和非稀疏的全连接层等,几乎是图神经网络必读的源码之一了。
3. 快速图卷积网络 FastGCN TensorFlow 版
链接:https://github.com/matenure/FastGCN
简介:FastGCN 作者提供的源码,基于采样的方式构建 mini-match 来训练 GCN,解决了 GCN 不能处理大规模数据的问题。
4. 图注意力网络 GAT TensorFlow 版
链接:https://github.com/PetarV-/GAT
简介:GAT 论文作者提供的源码。源码中关于 mask 的实现、以及稀疏版 GAT 的实现值得
现在深蓝学院联合来自密歇根州立大学助理教授汤继良老师(H-index 60)和马耀博士,正式推出了【图深度学习理论与实践】的中文课程,通过视频讲解、代码实践、作业巩固,以及 Project 项目等多维度的内容,搭建起图深度学习的知识框架。
点击下方一起来看看吧!现在咨询课程不仅有优惠,还有《Deep Learning on Graphs 》的 PDF 版可领取哦!
文章来源:dreaming:图神经网络资料合集:视频、书籍与开源项目
https://zhuanlan.zhihu.com/p/392418355