8-图神经网络
这是本系列的第 8 讲，主题是图结构数据上的深度学习方法。它和前面的 CNN、RNN 最大的不同在于：这里要处理的对象不再是规则网格上的图像，也不再是线性序列上的文本，而是连接关系本身决定结构的非欧式数据，例如社交网络、交通网络和分子图。
这讲主要讲什么
从前几页内容可以看出，这份资料的重点是先解释“为什么需要 GNN”，再建立它的应用视角。
- 图数据背景：从欧式空间与非欧式空间数据的差异切入，说明常规神经网络为什么难以直接处理图结构。
- 发展历程：概览图神经网络从早期概念提出，到图卷积网络、GraphSAGE、GAT 等代表性方法的发展过程。
- 相关任务：按节点层面、边层面和图层面组织问题类型，帮助理解图学习的任务划分。
- 发展趋势：把方法放回真实场景中，包括交通预测、传染病预测、药物生成等方向。
适合怎么学
- 如果你之前主要学的是 CNN 和 RNN，这一讲最值得关注的是数据结构变化带来的建模变化，也就是图上的邻接关系如何取代规则位置结构。
- 学习时建议先把节点、边、邻居聚合和图级表示这些基本对象弄清楚，再去看具体模型名字，否则很容易只记住缩写。
- 这一讲更适合作为专题入门。看完后如果你确实要做图任务，再继续补消息传递机制、图卷积公式和图学习框架会更顺畅。