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

  1. AWS Deep Graph Library

项目地址：https://www.dgl.ai/

  1. 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

  1. 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

  1. 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

  1. 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