GNN 完结

GNN 学习告一段落，从：

基本的图论知识、常规的图预测任务和PyG库的安装与使用：

在这一节里完成了图论的基础学习，使用pytorch 安装PYG库，并基本会使用.:

搭建环境 · T-TANG/GNN 学习中 - 码云 - 开源中国 (gitee.com) 我的环境搭建总结中

Task01 简单图论、环境配置与PyG库 · T-TANG/GNN 学习中 - 码云 - 开源中国 (gitee.com)

整个实验都是使用DSW来做的，觉得这个平台真的很好用。

实现图神经网络的通用范式，构建一个图神经网络：

在这一任务中，主要了解MessagePassing基类的运行流程，建议通过断点调试的方式，掌握propagate()、message()、aggregate()和update()函数的调用顺序与相关功能。

消息传递范式 · T-TANG/GNN 学习中 - 码云 - 开源中国 (gitee.com)

基于图神经网络的节点表征：

在这一任务中，主要学习GCN和GAT两个经典的图神经网络，并通过与MLP比较，得到共同点和区别（归一化方法）。

Task03 基于图神经网络的节点表征学习 · T-TANG/GNN 学习中 - 码云 - 开源中国 (gitee.com)

基于PyG的内存数据集构建和节点/边预测任务实践：

在这一任务中，主要学习如何构建一个Data类，其中通过PlanetoidPubMed数据类，了解构建数据集的流程（下载、生成对象、执行数据处理、过滤对象、保存文件）；边预测任务主要思路是生成负样本，使得正负样本数量平衡，通过使用两层GCNConv神经网络进行边预测，了解边预测的流程。

数据完整存储与内存计算++节点预测与边预测任务实践 · T-TANG/GNN 学习中 - 码云 - 开源中国 (gitee.com)

超大图上的节点表征：

在这一任务中，主要学习在超大图上的一种节点表征方法Cluster-GCN，了解基本步骤（分簇、近似邻接矩阵、簇采样并更新参数）、时间/空间复杂度和节点表征利用率。

Task05 超大图上的节点表征学习 · T-TANG/GNN 学习中 - 码云 - 开源中国 (gitee.com)

基于图神经网络的图表征学习方法：

在这一任务中，主要学习图同构网络(GIN)的基本思路（计算节点表征、图池化、线性变换），并了解WL Test的图同构测试方法基本步骤（迭代标签、散列标签、比较WL子树）、图相似性评估方法（WL Subtree Kernel方法：WL Test方法得多层标签、统计次数、向量表示、向量内积）。

图预测任务实践：

在这一任务中，主要学习将图样本封装成batch和DataLoader类的方法，使用小图邻接矩阵存储在对角线，复写__inc__()和__cat_dim__()方法，实现节点序号增值和新维度拼接。

2 未来学习的路线（来自教程）

学习《Deep Learning on Graphs》，中文版是《图深度学习》

阅读综述文章Graph Neural Networks: A Review of Methods and Applications

研读提出图神经网络模型的论文原文，重现论文中的实验