趋近智
高级图神经网络：架构与实践
章节 1: 重温图神经网络基础
机器学习中的图表示
消息传递框架再看
图神经网络的谱图理论基础知识
图信号处理思想
表达能力与WL测试
章节 2: 高级图神经网络架构
图卷积网络 (GCN)
图注意力网络 (GAT)
在GAT中实现多头注意力
图Transformer
进阶谱GNN (ChebNet, CayleyNets)
进阶空间GNNs (GraphSAGE变体, PNA)
比较架构选择与权衡
动手实践：GAT层实现
章节 3: 应对GNN训练中的复杂性
过平滑问题
缓解过平滑的技术
过度挤压问题
处理大型图：可扩展性挑战
邻域采样技术 (GraphSAGE)
图采样技术 (GraphSAINT, ShaDow-GNN)
子图与聚类方法 (Cluster-GCN)
图神经网络的优化策略
实践：应用可扩展GNN训练
章节 4: 高级GNN任务与技术
处理异构图 (RGCN, HAN)
动态和时序图的建模
结合GNN的知识图谱嵌入
图生成模型
图上的自监督学习
图池化与读出函数
动手实践：异构图节点分类
章节 5: GNN实现、工具和优化
深度图库 (DGL) 高级功能
PyTorch Geometric (PyG) 高级功能
GNN的高效稀疏矩阵操作
GPU加速与内存管理
图神经网络的调试与可视化
基准测试与性能调优
图神经网络在生产系统中的应用
实践操作：优化GNN的实现
结合GNN的知识图谱嵌入
这部分内容有帮助吗？
- Modeling Relational Data with Graph Convolutional Networks, Michael Schlichtkrull, Thomas N. Kipf, Peter Bloem, Rianne van den Berg, Ivan Titov, and Max Welling, 2017 Extended Semantic Web Conference (ESWC) DOI: 10.1007/978-3-319-93417-4_29 - 介绍了关系图卷积网络（R-GCN），用于知识图谱建模，详细阐述了关系特定变换和参数正则化技术。
- Composition-based Multi-Relational Graph Convolutional Networks, Shikhar Vashishth, Soumya Sanyal, Vikram Nitin, Partha Talukdar, 2020 International Conference on Learning Representations (ICLR) 2020 DOI: 10.48550/arXiv.1911.03082 - 提出了基于组合的多关系图卷积网络（CompGCN），利用组合运算符学习实体和关系嵌入。
- Graph Neural Networks for Knowledge Graph Completion: An Overview, Chengjin Zhang, Fan Zhou, Pengyuan Zhang, Yuqing Xia, Cheng Shi, and Jianlong Tan, 2020 Journal of Artificial Intelligence Research, Vol. 67 (AI Access Foundation) DOI: 10.1613/jair.1.12177 - 全面概述了应用于知识图谱补全的图神经网络，讨论了各种架构和任务。
- Heterogeneous Graph Attention Network, Xiao Wang, Houye Ji, Chuan Shi, Bai Wang, Yanfang Ye, Peng Cui, Philip S. Yu, 2019 The Web Conference (WWW) (ACM) DOI: 10.1145/3308558.3313562 - 提出了异构图注意力网络（HAN），该网络在异构图上融合注意力机制实现分层聚合。
© 2025 ApX Machine LearningEngineered with