1、图神经网络有什么优势？
经典的深度学习方法（比如DNN、RNN、CNN）能够有效的处理原始的输入，比如语音、图片、文本，但对于上面的图结构信息，就不是很有效了。这样就引入了本文的主角-图神经网络。图神经网络的应用场景非常广泛，比如，社交网络（用户节点，关系为边）、电子购物（用户为和商品为节点，用户与商品之间的联系为边）、化学分子（原子为节点，化学键为边）。
2、图神经网络中的图是什么图？
图神经网络中使用的是经典数据结构与算法中的图。
3、图神经网络的基本框架是怎样的？
图G=（V，E），很显然，图神经网络就是把整个图G、每个节点V、每条边E转化为稠密向量。当然没必要每次都把G、V、E都进行向量化，哪部分向量化取决于实际的应用场景。一般来说主要包含三类任务：
①节点层面的任务：
比如文章最开始提到的引文网络中，节点论文的分类，社交网络中用户标签的分类等。此时，主要关注节点和边层面的特征。
②边层面的任务
比如社交网络中，将用户作为节点，用户之间的关注关系建模为边，通过边预测实现社交用户的推荐。此时，主要关注节点和边的特征。
③图层面的任务
比如对药物分子的分类。此时，任务不依赖于某个节点或某条边的属性，而是，需要考虑整个图的信息。
4、图嵌入、图神经网络、图卷积是什么关系？
以下都属于图神经网络：
①图嵌入（Graph Embedding）（基于深度学习的图嵌入）、
②图神经网络（GNN）我的研究重点！！！（如Point GNN：使用图神经网络的3d目标检测方法）、
GNN比较经典的是这篇《The Graph Neural Network Model》
③图卷积（GCN）
经典的空域GCN是这篇《Learning Convolutional Neural Networks for Graphs》：
https://tkipf.github.io/graph-convolutional-networks/
论文对应PPT：
extension://bfdogplmndidlpjfhoijckpakkdjkkil/pdf/viewer.html?file=http%3A%2F%2Fwww.matlog.net%2Ficml2016_slides.pdf
