学习资料：
【1】人工智能 | 图卷积网络介绍及进展(视频，中文)
【2】人工智能 | 图卷积神经网络的变种与挑战(视频，中文)
【3】人工智能 | 图神经网络模型及应用进展(视频，中文)
【4】graph-convolutional-networks(网页)
【5】图神经网络 (视频，英文)
【6】图神经网络 Deep Learning on Graphs (视频，英文)
【7】图神经网络相关论文集 (github总结)
图神经网络(Graph Neural Networks) -- Deep Learning in Graphs
图1
图1：图的模型在我们生活中非常常见，eg：社交网络图，蛋白质分子结构图。
图2
图2：节点分类：预测一个节点的类别；链接预测：预测两个节点之间是否可链接；社交检测：识别密集链接的节点集群；网络相似度计算：两个(子)网络的相似度。
图3
图3：图中的节点分类。
图4
图4
图4：为什么需要学习嵌入向量？它的目的是让图节点都表示到低维空间中去。怎么去学习节点的嵌入向量？常用的动机：将所有的节点都映射为d维度的向量，然后图中相似节点的向量要相似。
图5
图5
图5：为什么传统的神经网络模型不能直接出来图？？现在的神经网络模型常常用来处理规范化的数据，eg：序列数据(文本)、表格数据(图片)。图网络中包含复杂的拓扑结构信息，与文本和图片的数据格式不一样。
图6
图6：卷积神经网络(CNN)的模型理念，通常用来处理文本和图片数据。
图片卷积的过程，图卷积的过程
真实世界的网络，并不规范
利用图的邻接矩阵作为输入，虽然数据规范化了，但是图不一样，图的邻接矩阵大小不一样，参数的数量太多
图卷积神经网络，邻接图构造，小图卷积，图信息归一化，怎么确定图的顺序
CNN对图像(规则的数据)的处理过程，一个格子，有上下左右，4个或8个邻居，截图于：人工智能|图卷积网络介绍及进展
图网络，截图于：人工智能|图卷积网络介绍及进展
为什么CNN不能直接用于图网络，1)图网络中的邻居节点数不确定 2)邻接节点的序列无法确定 截图于：人工智能|图卷积网络介绍及进展
