本文主要是介绍A Comprehensive Survey on Graph Neural Networks笔记，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一、摘要-Abstract
1、传统的深度学习模型主要处理欧几里得数据（如图像、文本），而图神经网络的出现和发展是为了有效处理和学习非欧几里得域（即图结构数据）的信息。
2、将GNN划分为四类：recurrent GNNs（RecGNN）, convolutional GNNs,(GCN), graph autoencoders(GAE), and spatial–temporal GNNs(STGNN).
3、讨论了GNN在各种领域的应用以及未来的发展方向
二、介绍-I. INTRODUCTION
第一段、介绍传统神经网络如CNN、RNN的成功发展
第二段、介绍在一些应用领域中如推荐系统，药物发现，文章引用等图数据传统神经网络不再适用
第三段、介绍受到传统神经网络启发，这几年快速发展了处理复杂的图数据
第四段、之前的一些别的论文综述工作数量有限，本文对GNN做了更全面的概述
A. Our Contributions、介绍我们的4点贡献，新的分类方法，更全面的综述，收集了大量GNN资源，提供了未来的方向
B. Organization of This Article、介绍了本文的脉络
三、GNN历史和一些定义-II. BACKGROUND AND DEFINITION
1）图神经网络的历史
早期关于GNNs的研究是将神经网络应用于有向无环图，这些早期的研究属于 RecGNNs 类别。
受 CNNs 在计算机视觉领域成功的鼓舞，许多重新定义图数据卷积概念的方法相继被开发出来。这些方法属于 ConvGNNs 的范畴。ConvGNNs 分为两大类：基于谱的方法和基于空间的方法。
过去几年还开发了许多其他类型的 GNNs，包括 GAEs 和 STGNNs。
2）GNN和网络嵌入Network Embedding区别
方法和模型：网络嵌入：传统上包括矩阵分解、随机游走等非深度学习方法，也可以包含一些简单的模型。它的主要目标是生成低维的节点表示。GNNs：使用深度学习技术，通过图卷积、注意力机制等操作处理图数据，能够通过端到端的方式进行训练和优化。
任务和应用：网络嵌入：通常用于生成节点的低维表示，以便于后续的机器学习任务，如分类、聚类等。GNNs：不仅生成节点的表示，还能够直接进行复杂的图任务，例如图分类、节点分类、链接预测等。
（PS：来自ChatGPT）
这篇关于A Comprehensive Survey on Graph Neural Networks笔记的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
