0
字幕组双语原文：【干货】图神经网络的十大学习资源分享
英语原文：Top 10 Learning Resources for Graph Neural Networks
图神经网络（GNNs）是深度学习的一个相对较新的领域，从最近开始越来越流行。Twitter、Google或Facebook等大公司都会开始对于GNN投入研究，事实证明了GNN优于其他使用图数据的机器学习模型。
由于此领域的发展非常迅速，GNN背后的知识还不是那么容易获得。目前，你可以在互联网上以研究论文、文章或博客的形式找到散落在各地的GNN理论。我们缺乏的是一本GNN书籍，或者是一本在线资源汇编，来帮助人们进入了解这个领域的工作。
经过一番搜索，我发现其实有几个相当不错的资源，以一种容易理解的方式来解释GNN。希望对这个领域的新人有所帮助。让我们开始吧!
Graph Representation Learning Book
本书是改变游戏规则的书，目前可以在线下载的预出版的版本。本书从图理论和传统图方法等初级课题开始，到前沿GNN模型和最先进的GNN研究等高级课题。本书设计精巧，自成体系，拥有图神经网络所需的大部分理论。
这是斯坦福大学专门研究基于图的机器学习的课程。它有公开的幻灯片，从他们的讲座以及推荐阅读列表。如果你想系统地学习一门结构良好的课程，这将是一个很好的选择。
Network Science by Albert-László Barabási
这是一本提供在线交互式的书籍，主要介绍图和网络理论。虽然它没有讨论GNN，但它是获得在图数据上操作的坚实基础的极好资源。
How powerful are Graph Convolutional Networks?
由GNN领域最著名的研究者之一--Thomas Kipf博士创建的一个优秀博客。在他的文章中，他轻描淡写地介绍了GNN，提供了最新方法的文献回顾，并讨论了他的论文— Semi-Supervised Classification with Graph Convolutional Networks.
Michael Bronstein是伦敦帝国理工学院的教授，也是Twitter的图学习研究的负责人。最近，他开始在Towards Data Science发表文章。他的博客文章主要以数学视角关注GNNs以及该领域的最新发展。他往往会引用许多其他关于GNNs的文章，这可能会帮助你发现其他有趣的文章。
Deep Learning for the Life Sciences
虽然这里并不完全是关于GNN的内容，但本书的部分内容提供了基于GNN模型的实际应用。它解释了如何使用生命科学的深度学习库--Deepchem将GNNs应用于分子数据集。它还进一步讨论了GNNs的不同预处理方法。
Flawnson Tong - Towards Data Science
Flawnson在Medium上发表了几篇关于GNN的介绍性的文章。它们针对的是那些想对图神经网络背后的理论有基本了解的初学者。如果你想一窥GNNs是什么，这将是一个很好的选择。
这是一个近期GNN论文的汇编仓库，包含了这个领域已发表的大部分论文。他们将列表细分为单独的主题，比如我们。如果你正在查找GNNs特定细分应用的论文，这个仓库值得一试。
Papers with Code - Papers With Code : Search for graph neural networks
Paperswithcode是一个大家都很熟悉的网站，它将研究论文与其代码一起分享。如果你想找到已经有代码实现的GNN模型，这是一个不错的地方。
A Comprehensive Survey on Graph Neural Networks
这篇研究论文总结了GNNs中的大部分的重要发现，简要概述了GNNs背后的历史，并讨论了不同类型的GNN架构。
雷锋字幕组是一个由AI爱好者组成的翻译团队，汇聚五五多位志愿者的力量，分享最新的海外AI资讯，交流关于人工智能技术领域的行业转变与技术创新的见解。
团队成员有大数据专家，算法工程师，图像处理工程师，产品经理，产品运营，IT咨询人，在校师生；志愿者们来自IBM，AVL，Adobe，阿里，百度等知名企业，北大，清华，港大，中科院，南卡罗莱纳大学，早稻田大学等海内外高校研究所。
如果，你也是位热爱分享的AI爱好者。欢迎与雷锋字幕组一起，学习新知，分享成长。
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
