学习网站：
-深度学习学习网站 信息)

• 不愧是公认最好的【图神经网络GNN/GCN教程】，从基础到进阶再到实战，一个合集全部到位！-人工智能/神经网络/图神经网络/深度学习。_哔哩哔哩_bilibili

应用领域

• 最大层面，芯片设计
• 场景分析、问题推理
• 系统推荐相关（个性化推荐）
• 欺诈检查、风控相关
• 知识图谱
• 道路交通，动态流量预测（竞赛热门）
• 自动驾驶，无人机等场景
• 化学，医疗领域（未来趋势方向）
• 物理模型相关：新能源电池设计，ai自动找分子组合方案做实验

图的基本组成

• V 顶点 Vertex (or node) attributes
• E Edge (or link) attributes and directions
• U Global (or master node) attributes

图神经网络要做啥：无论事整的多么复杂，我们利用图神经网络的目的就是整合特征（整合点的、边的和全局的特征，全面）

• Vertex (or node) embedding
• Edge (or link) attributes and embedding
• Global (or master node) embedding

embedding：词嵌入

图的邻接矩阵
邻接矩阵：描述节点的邻居有哪一些
无向图的邻接矩阵是对称的

为什么CV和NLP中应用GNN很少

• 传统NN模型输入格式固定，
• 因为图像和文本数据的格式都贼固定，想一想咱们的预处理
• 有图像resize成固定大小，然后进行卷积操作得到特征，格式很固定
• 文本固定长度和词向量大小，然后也是这么个事，不需要特殊的邻接矩阵

GNN，输入数据不规则，不同数据结构完全不同
社交网络人物关系，这种邻接矩阵很庞大

GNN三种级别的人物：
点：Node与Edge级别任务
边：
图：Graph级别任务

邻接矩阵：一般邻接矩阵表达形式如下，并不是一个N*N的矩阵，而是保存source,target

例如：

Nodes [0,1,1,0,0,1,1,1]
Edges [2,1,1,1,2,1,1]
Adjacency List [[1,0],[2,0],[4,3],[6,2],[7,3],[7,4],[7,5]]
Global 0