我们的组队学习将带领大家入门图神经网络，为大家今后在学习和工作中对图神经网络的应用打下基础。学习内容包括：1）简单图论知识，2）实现图神经网络的通用范式，3）分别用于节点、边、图预测的经典图神经网络，以及4）图神经网络的编程实践。我们设计了节点预测、边预测与图预测三项任务，通过此三项任务的实践学习，能让大家具备解决实际应用的一些必要知识与技能。

此组队学习由五个话题组成，每一话题都包含理论部分与实践部分：

• 话题一：图论与程序中图的操作
  • 我们将首先学习简单图论知识、了解常规的图预测任务（见第2节）；
  • 然后学习基于PyG包的图数据的表示与使用（见第3节）。截止时间 06月16日03:00
• 话题二：实现图神经网络的消息传递范式
  • 我们将首先学习实现图神经网络的通用范式，即消息传递范式；
  • 其次学习PyG中的消息传递（MessagePassing）基类的属性、方法和运行流程；
  • 最后学习如何自定义一个消息传递图神经网络（见第4节）。截止时间 06月19日03:00
• 在话题三：节点表征学习与节点预测和边预测
  • 图计算应用中最基础的任务是节点表征（Node Representation）学习。
  • 我们将以GCN和GAT（两个最为经典的图神经网络）为例，学习基于图神经网络的节点表征学习的一般过程；并且通过MLP、GCN和GAT三者在节点分类任务中的比较，学习图神经网络为什么强于普通的MLP神经网络，以及GCN和GAT的差别（见第5节）。截止时间 06月23日03:00
  • 此外，我们还将学习如何构造一个数据全部存于内存的数据集类（见第6-1节)；
  • 并学习基于节点表征学习的图节点预测任务和边预测任务的实践（见第6-2节）。截止时间 06月27日03:00
• 话题四：超大图上节点表征学习
  • 我们将首先学习在超大图上进行节点表征学习面临着的挑战；
  • 接着学习应对挑战的一种解决方案；
  • 最后通过实践学习超大图节点预测任务（见第7节）。截止时间 07月01日03:00
• 话题五：图表征学习与图预测
  • 我们将首先学习基于图神经网络的图表征学习的一般过程（见第8节）；截止时间 07月05日03:00
  • 接着学习样本按需获取的数据集类的构造方法（见第9-1节）；
  • 最后学习基于图表征学习的图预测任务的实践（见第9-2节）。截止时间 07月09日03:00
• 总结
  • 对本次组队学习进行总结。截止时间 07月10日03:00

除了话题四和话题五都依赖于话题三之外，其余话题都依赖于该话题自身的前一话题。

本教程的markdown版本请使用Typora软件阅读，并对Typora软件设置为允许行内公示：

本开源内容由陈荣钦、周郴莲、戴治旭和刘洋组织整理。