Introduction PPT https://web.stanford.edu/class/cs224w/slides/01-intro.pdf

传统机器学习，数据样本之间独立同分布，即猫class不知道狗class的存在，相互之间没有关联，分类只需要分类，拟合；

GNN的意义：

modern ML处理表格、矩阵、序列；但是没有处理数据之间有关联的方式；

图是任意结构的，不像是image那样的固定结构；任意尺寸输入、没有固定的节点顺序或者参考锚点、经常动态变化而且有多模态特征；

2018-2020热点方向：

representation learning

端到端学习feature（d维 embedding）；

有作业的，有特定的projects，也可以custom projects；

图机器学习编程工具

PyG：www.pyg.org

NetworkX：networkx.org

DGL：www.dgl.ai

AntV图可视化工具Graphin：graphin.antv.vision

AntV图可视化工具G6：g6.antv.antgroup.com

Echarts可视化：echarts.apache.org/examples/zh/index.html#chart-type-graphGL

图网络举例相关的应用；

推荐系统是互联网赚钱的非常重要的环节；有一个好的图神经网络，把商品嵌入成好的低维向量，相近的商品embedding距离更近；

（UP的理解：）2022的三个革命性的AI发展：1、AIGC，AI画画；2、Chat GPT；3、AlphaFold，蛋白质结构预测；

And really, it is relational data graphs that are the new frontier of deep learning  and representation learning research.