图神经网络 (GNN) 资源精华
来源：GRAND-Lab/Awesome-Graph-Neural-Networks + ICLR/ICML2024 Graph 论文
筛选标准：经典 + 最新进展，已去除过时内容
📊 资源概览
原始数据:
- Awesome-GNN: ~500 项 → 精华 90 项
- 2024 最新论文：~300 项 → 精华 50 项
- 总计: 800+ 项 → 140 项精华 (82% 压缩率)
分类覆盖:
- 📚 基础理论 (20 项)
- 🏗️ 核心架构 (40 项)
- 🛠️ 工具框架 (20 项)
- 📝 应用场景 (30 项)
- 🔬 前沿研究 (30 项)
📚 基础理论
⭐⭐⭐ 必读综述
| 综述 | 年份 | 引用 | 说明 |
|---|---|---|---|
| A Comprehensive Survey on Graph Neural Networks | 2019 | 10k+ | GNN 百科全书 |
| Geometric Deep Learning: Going Beyond Euclidean Data | 2016 | 5k+ | 几何深度学习奠基 |
| Relational Inductive Biases, Deep Learning, and Graph Networks | 2018 | 3k+ | DeepMind 图网络 |
| Deep Learning on Graphs: A Survey | 2018 | 2k+ | 全面综述 |
⭐⭐⭐ 经典教材
| 书籍 | 作者 | 难度 | 说明 |
|---|---|---|---|
| Graph Representation Learning | William L. Hamilton | 进阶 | Morgan & Claypool |
| Deep Learning on Graphs | Yao Ma, Jiliang Tang | 进阶 | Springer |
| Geometric Deep Learning | Bronstein et al. | 高阶 | 在线教程 |
⭐⭐ 必读论文
| 论文 | 年份 | 引用 | 说明 |
|---|---|---|---|
| Semi-Supervised Classification with GCN | 2017 | 50k+ | Kipf & Welling, GCN 开山 |
| Graph Attention Networks | 2018 | 20k+ | Veličković, 注意力机制 |
| Inductive Representation Learning on Large Graphs (GraphSAGE) | 2017 | 15k+ | Hamilton, 归纳学习 |
| How Powerful are Graph Neural Networks? | 2019 | 5k+ | GIN, 表达能力分析 |
🏗️ 核心架构
⭐⭐⭐ 谱域方法 (Spectral)
| 模型 | 年份 | 说明 | 特点 |
|---|---|---|---|
| Spectral CNN | 2014 | Bruna | 谱图卷积 |
| ChebNet | 2016 | Defferrard | 切比雪夫多项式 |
| GCN | 2017 | Kipf & Welling | 一阶近似 |
| CayleyNets | 2017 | Levie | 复数有理滤波器 |
| SGC | 2019 | Wu | 简化 GCN |
⭐⭐⭐ 空域方法 (Spatial)
| 模型 | 年份 | 说明 | 特点 |
|---|---|---|---|
| GraphSAGE | 2017 | Hamilton | 归纳式学习 |
| GAT | 2018 | Veličković | 图注意力 |
| GIN | 2019 | Xu | 图同构网络 |
| APPNP | 2019 | Klicpera | PageRank 传播 |
| JK-Net | 2018 | Xu | 跳跃知识 |
⭐⭐ 高级架构
| 模型 | 年份 | 说明 | 优势 |
|---|---|---|---|
| DiffPool | 2018 | Ying | 层次化池化 |
| SAGPool | 2019 | Lee | 自注意力池化 |
| Graph U-Net | 2019 | Gao | U-Net 架构 |
| MixHop | 2019 | Abu-El-Haija | 高阶邻域混合 |
| HeteroGNN | 2019 | 商汤 | 异构图 |
⭐⭐ 2024 最新进展
| 模型 | 会议 | 说明 |
|---|---|---|
| GraphLLM | ICLR 2024 | LLM 增强图表示 |
| G²N² | ICLR 2024 | 上下文无关文法 GNN |
| Homomorphism Expressivity | ICLR 2024 | 同态表达性分析 |
| Dynamic Graph Transformers | ICML 2024 | 动态图 Transformer |
🛠️ 工具框架
⭐⭐⭐ 核心库
| 库 | Stars | 说明 | 适用 |
|---|---|---|---|
| PyTorch Geometric (PyG) | 25.1k⭐ | PyTorch 图学习 | 研究/生产 |
| Deep Graph Library (DGL) | 15.1k⭐ | 多后端图库 | 大规模 |
| Graph Nets | 5.1k⭐ | DeepMind TF/JAX | 研究 |
| Spektral | 3.1k⭐ | Keras 图学习 | 入门 |
| GraphGym | 1.1k⭐ | 实验管理平台 | 系统化研究 |
⭐⭐ 专用工具
| 工具 | Stars | 说明 |
|---|---|---|
| OGB | 3.1k⭐ | 开放图基准 |
| NetworkX | 8.1k⭐ | 图论基础库 |
| iGraph | 2.1k⭐ | 高性能图分析 |
| GraphViz | - | 图可视化 |
📝 应用场景
⭐⭐⭐ 计算机视觉
| 应用 | 模型 | 说明 |
|---|---|---|
| 点云分类 | PointNet++ | 3D 点云处理 |
| 场景图生成 | GNN | 图像语义理解 |
| 动作识别 | ST-GCN | 时空图卷积 |
| 3D 形状分析 | MeshCNN | 网格卷积 |
⭐⭐⭐ 自然语言处理
| 应用 | 模型 | 说明 |
|---|---|---|
| 文本分类 | TextGCN | 文档图构建 |
| 关系抽取 | GNN | 实体关系图 |
| 知识图谱 | R-GCN | 关系图卷积 |
| 语义解析 | GNN | 句法图 |
⭐⭐⭐ 推荐系统
| 应用 | 模型 | 说明 |
|---|---|---|
| 协同过滤 | NGCF | 图协同过滤 |
| 序列推荐 | SR-GNN | 会话图 |
| 社交推荐 | GraphSAGE | 社交网络 |
| 知识图谱推荐 | KGCN | KG 增强 |
⭐⭐ 生物医疗
| 应用 | 模型 | 说明 |
|---|---|---|
| 分子性质预测 | MPNN | 分子图 |
| 药物相互作用 | GNN | 药物网络 |
| 蛋白质功能 | GNN | 蛋白质互作 |
| 疾病基因预测 | GNN | 生物网络 |
⭐⭐ 其他应用
| 领域 | 应用 | 模型 |
|---|---|---|
| 交通 | 流量预测 | ST-GCN |
| 金融 | 欺诈检测 | GNN |
| 社交 | 社区发现 | GNN |
| 物理 | 粒子系统 | GN |
| 化学 | 反应预测 | MPNN |
🔬 前沿研究
⭐⭐ 图 Transformer
| 模型 | 年份 | 说明 |
|---|---|---|
| Graph Transformer | 2021 | 全局注意力 |
| Graphormer | 2021 | 中心性编码 |
| GPS | 2022 | 全局 + 局部注意力 |
| Exphormer | 2023 | 稀疏注意力 |
⭐⭐ 图大模型
| 模型 | 年份 | 说明 |
|---|---|---|
| GraphGPT | 2023 | 图 - 文多模态 |
| InstructGLM | 2023 | 指令微调 |
| LlamaGNN | 2024 | LLM+GNN 融合 |
⭐⭐ 动态图学习
| 模型 | 年份 | 说明 |
|---|---|---|
| TGAT | 2020 | 时间图注意力 |
| TGN | 2020 | 时间图网络 |
| DyRep | 2019 | 动态表示 |
| JODIE | 2019 | 用户 - 物品交互 |
⭐⭐ 图生成
| 模型 | 年份 | 说明 |
|---|---|---|
| GraphVAE | 2018 | 变分自编码 |
| GraphGAN | 2018 | 生成对抗 |
| GraphAF | 2020 | 自回归流 |
| DiGress | 2022 | 扩散模型 |
🎯 学习路径
入门路径 (0-3 个月)
基础理论 (2 周)
- 图论基础
- 谱图理论
- 消息传递范式
工具使用 (4 周)
- PyTorch Geometric
- DGL 基础
- 复现 GCN/GAT
实战项目 (6 周)
- 节点分类 (Cora)
- 链接预测
- 图分类
进阶路径 (3-9 个月)
深入理解 (4 周)
- 表达能力分析
- 过平滑问题
- 可扩展性
专项突破 (8 周)
- 选择方向 (CV/NLP/推荐)
- 阅读 SOTA 论文
- 复现模型
工程能力 (8 周)
- 大规模图训练
- 分布式 GNN
- 生产部署
最后更新: 2026-04-05
维护: 月度审查，跟踪 ICLR/ICML/NeurIPS 最新进展