高赞人气资源！集结数百篇顶会论文，由浅入深让你吃透图深度学习

铜灵 发自 凹非寺
量子位 出品 | 公众号 QbitAI

一份图神经网络的学习资源，在推特上发出后反响强烈，超过800人为其点赞，不少网友在评论区表示感谢送出“好人卡”。

这份资源名为Literature of Deep Learning for Graphs（图深度学习文献），顾名思义里面整理了大量图深度学习论文，大多数都被顶会收录，数量有上百篇。

这些论文包含从节点表示学习到图嵌入再到图神经网络及其应用，从易到难，是一份容易上手的全方位资源。

一份暑期必备的图神经网络优质资源，走过路过不容错过了。

内容丰富

这份图神经网络文献共分为8个部分，从节点表示学习开始层层递进，一直讲到图标是学习系统和相关数据集为止。

这8个部分分别为：

1. 节点表示学习

2. 图嵌入知识

3. 图神经网络

4. 图神经网络的应用

5. 图形生成

6. 图形布局和高维数据可视化

7. 图表示学习系统

8. 数据集

如果想了解图深度学习，这8个分类可以成为指导自己进一步找资料攻克的大方向。

除了8个大方向外，部分章节又进行了细分，比如在应用章节，又分成了NLP、计算机视觉、推荐系统、链接预测、影响预测、神经架构搜索、强化学习等方向。

而这份资源的最闪亮的地方，就是将这些不同方向已经发表的论文进行了整理，分门别类得放上了论文的标题、作者、关键词和地址链接。

这些大多是已经发表在各种竞赛和顶会上的高影响力论文，画风是这样的：

这样的：

这样的：

整理数百篇土深度学习的论文还分成不同的类别，肯定下了不少工夫。

华人作者

这份资源出自华人之手，蒙特利尔高等商学院的助理教授唐建和他的学生们。

其个人网站上显示，唐建是深度学习大牛Yoshua Bengio教授领导的MILA深度学习小组的成员之一，关注深度学习、图神经网络、自然语言理解和推理、药物发现和推荐系统几个方面。

唐建在北京大学博士毕业后，奔赴密歇根大学和卡内基梅隆大学的博士后。2014年-2016年在微软亚洲院担任过副研究员。

此前，唐建的的多项研究被各大顶会收录，包括ICML 19、ICML 19、IJCAI 19、ICLR 19、AAAI 19等。

附上其个人主页地址：
https://jian-tang.com/

传送门

GitHub地址：
https://github.com/DeepGraphLearning/LiteratureDL4Graph

— 完 —

AI社群 | 与优秀的人交流

小程序 | 全类别AI学习教程

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

喜欢就点「在看」吧 !