目录（当前的章节数是对应论文的）

• 第二章：一个完整的图构建包括哪四步？
• 第三-五章：给出了完整图构建的关键步骤，其中蕴含了当前变种的修改点
• 第六章：一个样例：图应用的样例
• 第七章：分别从理论和经验角度分析了GNN的当前研究
• 第八章：引入了结构化场景，非结构场景，以及其他场景的图网络应用。
• 第九章：给出四个当前的开放领域问题。

第二章->管道分四步

找到合适的图结构

尤其在文本和图像数据中，图结构不容易寻找到。

指定合适的图的类型和规模。

• 图是有向图还是无向图。也就是边的指向是否是单向的，因为无向图是两个有向图。
• 图是同质图还是异质图。节点和边的对应类型是相同的，就是同质图；否则是异质图。
• 静态图还是动态图。输入特征，图的拓扑结构发生改变，就是动态图。否则不是。

图的类型是不一的，重点应该放在如何理解图的额外信息。
对于图的规模则是按照空间复杂度是否超过$O(N^2)$来考虑的。

设计合适的损失函数

按照任务类型，主要分为下面三种：

• 节点层面：任务关注节点，包括节点分类，节点回归，节点聚类。
• 边层面：任务关注边，包括边分类，链路预测，主要是要求模型分类边的类型和预测两个节点间是否存在边。
• 图层面：任务包括图分类，图回归，图匹配，所有的都是要求模型学习图表征。

按照训练方式类型分类：

• 有监督训练：
• 半监督训练：通过提供少部分标签数据，大部分无标签数据。测试阶段，转化设置要求模型预测大量无标签数据，然后归纳设置中，根据相同分布去推断新的无标签数据。大部分的节点和边的预测都是半监督。后面一种研究就是混合设置。
• 无监督训练：比如聚类。

使用计算模块构建模型

计算模块可以认为是图更新部分的计算方式，这里根据论文描述给出4中计算模块。

• 传播模块：传播模块可以通过传播节点信息帮助聚集信息，使得特征信息和拓扑信息被获取。在传播模块中疮痈操作包括卷积算子，循环算子，以及跳跃连接（类似残差网络）。其中跳跃连接被解释是为了聚集历史信息。
• 采样模块：如果图的规模很大，此时可能需要采样模块来决定传播模块。
• 池化模块：获取高维度的子图或者图的信息，需要从节点上面获取信息。
  
  整篇论文读完，感觉计算模块过于简单，无法实现对于公式的理解，这篇文章暂时这样。决定找一篇切合的文章以及对应源码，深入阅读，这样才能了解图神经网络的基本处理方法。