图神经网络资源大集合~快来打包带走

2020 年 10 月 23 日 AINLP

2020年最新图神经网络相关的论文 & 书籍 & 代码& 视频课程等学习资源集合

书 & 综述

1.《Deep Learning on Graphs》

这本书是KDD新星奖大神汤继良团队出品，300+页，针对图深度学习进行了系统介绍。小编看了一部分，觉得这本书写得非常全面且清晰，之前很多概念不是很理解，看了这本书后感觉有醍醐灌顶的感觉噢！
英文版下载地址：http://cse.msu.edu/~mayao4/dlg_book/

2.《Graph Representation Learning》

这本书是由McGill 大学计算机科学的助理教授，魁北克省Mila AI研究所的加拿大CIFAR AI主席William L. Hamilton写的，140+页，旨在为图形表示学习提供一个简短而全面的介绍，包括用于嵌入图形数据的方法，图形神经网络以及图形的深度生成模型。
下载地址：https://www.cs.mcgill.ca/~wlh/grl_book/

3.《A Practical Guide to Graph Neural Networks》

这个论文总共28页，它通过整理和介绍有关最常见GNN类型的动机、概念、数学和应用的详细信息，介绍了GNN的功能和新颖性，并且简要介绍了本教程以及可使用的代码示例，从而为理解和使用GNN提供了实用且可访问的指南。
下载地址：https://deepai.org/publication/a-practical-guide-to-graph-neural-networks

4.《Simulation for Applied Graph Theory Using Visual C++》

本书300页+，介绍了如何利用Microsoft Visual C++以交互方式创建图，如何使用最少的C++代码解决图论中的问题以及如何提供友好的界面，使学习主题变得有趣。书中的每个主题都带有有效的Visual C++代码，可以轻松地将其用作科学和工程学中各种问题的解决方案。
下载地址：公众号回复：图资源

5.《Graph Analysis and Visualization》

本书500页+，使用涵盖分析功能的复杂方法和工具，展示如何利用图形和网络分析技术来发现新的业务见解和机会，描述了使用来自体育，金融，市场营销，安全，社交媒体等的丰富且引人入胜的示例集来创建强大的可视化效果的过程。
下载地址：公众号回复：图资源

6.《Deep Learning for Learning Graph Representations》

清华大学朱文武老师发表的综述，50页+，作者在教程中讨论了将深度学习技术与图表示学习相结合的一些最新进展，通过对各个方法的模型介绍、算法介绍、对比分析等不同方面进行详细介绍。
下载地址：https://arxiv.org/abs/2001.00293v1

7.《图卷积神经网络综述》

中科院计算所发表的中文综述，首先介绍了图卷积神经网络的背景并梳理了两类经典方法——谱方法和空间方法,进而介绍了图卷积神经网络的最新进展，此外还介绍了图卷积神经网络的相关应用。
下载地址：https://kns.cnki.net/kcms/detail/11.1826.tp.20191104.1632.006.html

8.《深入浅出图神经网络：GNN原理解析》

这是一本从原理、算法、实现、应用4个维度详细讲解图神经网络的著作。
下载地址：https://cread.jd.com/read/startRead.action?bookId=30567027&readType=1

视频课程

1. 宾大2020秋季在线课程

这门课程由宾夕法尼亚大学电气与系统工程系教授 Alejandro Ribeiro 于 2020 年 8 月底开设，专门讲述图神经网络（GNN）。
B站观看地址：https://www.bilibili.com/video/av457264185/

2. Machine Learning with Graphs

本课程是斯坦福大学开设的2019秋季课程CS224W,课程主题主要有万维网的算法、图神经网络和表示学习、识别生物网络中的功能模块、疫情检测、食物网络和金融市场的稳健性和脆弱性等。
B站观看地址：https://www.bilibili.com/video/BV1me411x7Rm

3. 图机器学习（时下炙手可热新技术/8章3大模型应用）

这个课程分为入门、中级和应用3个部分，深入浅出，来讲解当今最炙手可热的图机器学习。学完本课程后，能够掌握图表示学习和图神经网络的发展脉络和经典算法细节。
视频观看地址：https://www.epubit.com/courseDetails?id=PCC72369cd0eb9e7

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（1）点击页面最上方"AINLP"，进入公众号主页。

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。

欢迎加u图神经网络技术交流群

进群请添加AINLP小助手微信 AINLPer（id: ainlper)，备注图神经网络

推荐阅读

这个NLP工具，玩得根本停不下来

征稿启示| 200元稿费+5000DBC（价值20个小时GPU算力）

完结撒花！李宏毅老师深度学习与人类语言处理课程视频及课件（附下载）

从数据到模型，你可能需要1篇详实的pytorch踩坑指南

如何让Bert在finetune小数据集时更“稳”一点

模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法

文本自动摘要任务的“不完全”心得总结番外篇——submodular函数优化

Node2Vec 论文+代码笔记

模型压缩实践收尾篇——模型蒸馏以及其他一些技巧实践小结

中文命名实体识别工具（NER）哪家强？

学自然语言处理，其实更应该学好英语

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。