按年被提到
20192019 · 2 次2026
机器学习与深度学习›神经网络架构探索·arXiv:1901.00596 · cs.LG

A Comprehensive Survey on Graph Neural Networks

图神经网络综合综述
Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang, Philip S. Yu · 2019

图神经网络的分类、应用、开源代码与研究方向综述

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 5 人首次 2019-01-07 · 最近 2022-05-09
5不同的人
3活跃月份
4讨论串
12,429被引(OpenAlex)

论文指出许多应用的数据来自非欧几里得域,以带有复杂关系和相互依赖的图来表示,给现有机器学习算法带来了挑战。作者对数据挖掘与机器学习领域的图神经网络(GNN)做了全面综述,提出新的分类法,把最先进的 GNN 分为四类:循环图神经网络、卷积图神经网络、图自编码器和时空图神经网络。此外还讨论了 GNN 在各领域的应用,汇总开源代码、基准数据集和模型评估,并提出这一快速发展领域的潜在研究方向。

HN 为什么提它

HN 上的人把它推荐为入门 GNN 的综述,称它对 GNN 适用于哪些任务有不错的概览,是新手了解该领域的好途径。

综述难度 3 / 5约 120 分钟有时效性
读之前最好知道
1图论基础
2卷积神经网络(CNN)
3循环神经网络(RNN)
4自编码器(autoencoder)
5谱图理论基础

学习路径

读这篇之前,按顺序读书架上的 5 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

按时间线读图上的表示学习、图卷积、注意力和消息传递框架,再读关系归纳偏置,之后再看综述如何把它们归入统一分类。

  1. 1

    DeepWalk 是图嵌入的早期方法,综述里的网络嵌入部分从这里讲起。

    读随机游走产生节点序列、再用 skip-gram 学节点向量的思路。

  2. 2
    Semi-Supervised Classification with Graph Convolutional Networks基于图卷积网络的半监督分类 · 2016

    GCN 是谱域图卷积的简化形式,是综述中卷积类图神经网络的核心代表。

    读一阶近似得到的逐层传播公式与归一化邻接矩阵,以及半监督节点分类的设置。

  3. 3

    GAT 把注意力机制放进图上的邻居聚合,对应综述里的图注意力网络一类。

    读按邻居计算注意力系数并加权聚合的方式,与 GCN 的固定权重对比。

  4. 4
    Neural Message Passing for Quantum Chemistry面向量子化学的神经消息传递 · 2017

    MPNN 给出消息传递的统一框架,综述的空间域方法都可以放进这个框架理解。

    读消息函数、更新函数与读出函数三个部分。

  5. 5
    Relational inductive biases, deep learning, and graph networks关系归纳偏置、深度学习与图网络 · 2018

    它把图网络和关系归纳偏置放在更大的视角里,帮助理解图神经网络为何有用。

    读关系归纳偏置的概念与 GN 块的定义,其余讨论可略读。

  6. 6
    A Comprehensive Survey on Graph Neural Networks图神经网络综合综述 · 2019 · 就是这篇

    在以上代表性模型的基础上,看综述如何分类并总结应用与开源实现。

    读按卷积、注意力、自编码器、时空等类别的分类框架,以及应用与数据集章节。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐nl · 2020-02

“A Comprehensive Survey on Graph Neural Networks is a survey paper which has a decent overview of the tasks they are useful for.”

推荐这篇综述,概览了图神经网络适用的各类任务
Graph Neural Networks – An Overview原评论 ↗
推荐andreyk · 2022-05

“A survey paper is usually a good way to go, such as A comprehensive survey on graph neural networks”

建议先读综述,推荐这篇图神经网络综述入门
Beyond message passing: A physics-inspired paradigm for graph neural networks原评论 ↗
引用visarga · 2019-01

“here's another recent one:”

补充另一篇较新的图神经网络方法综述
Graph Neural Networks: A Review of Methods and Applications原评论 ↗
引用tastroder · 2020-02

“A Comprehensive Survey on Graph Neural Networks [LINK] has a bunch of GNNs ranked #1”

引用它说明不少 GNN 模型在图任务上排名第一
Graph Neural Networks – An Overview原评论 ↗
被提交为 story · 1 次