前言：最近对图神经网络部分比较感兴趣，偶尔看到清华大学刘知远老师在今年3月份发表的一本书：Introduction to Graph Neural Network，于是将该书内容进行翻译，记录阅读中自己的感悟。如翻译有不准确或者错误的地方，请指正。

在原文中，不可避免的会有大量的人名、专业词汇等，本文翻译时将其保留，便于日后对其他文献的阅读与理解

翻译进展：

Chapter1：Introduction
Chapter2：Basic of Math and Graph
Chapter3：Basic of Neural Networks
Chapter4：Vanilla Graph Neural Networks
Chapter5：Graph Convolutional Networks
Chapter6：Graph Recurrent Networks
Chapter7：Graph Attention Networks
Chapter8：Graph Residual Networks
Chapter9：Variants for Different Graph Types
Chapter10：Variants for Advanced Training Methods
Chapter11：General Frameworks
Chapter12：Applications – Structural Scenarios
Chapter13：Applications – Non-Structural Scenarios
Chapter14：Applications – Other Scenarios
Chapter15：Open Resources
Chapter16：Conclusion
文章目录
- Introduction to Graph Neural Network
- - Preface
  - Chapter1：Introduction
  - Chapter2：Basic of Math and Graph
  - Chapter3：Basic of Neural Networks
  - Chapter4：Vanilla Graph Neural Networks
  - Chapter5：Graph Convolutional Networks
  - Chapter6：Graph Recurrent Networks
  - Chapter7：Graph Attention Networks
  - Chapter8：Graph Residual Networks
  - Chapter9：Variants for Different Graph Types
  - Chapter10：Variants for Advanced Training Methods
  - Chapter11：General Frameworks
  - Chapter12：Applications – Structural Scenarios
  - Chapter13：Applications – Non-Structural Scenarios
  - Chapter14：Applications – Other Scenarios
  - Chapter15：Open Resources
  - Chapter16：Conclusion

Introduction to Graph Neural Network

Preface

深度学习在计算机视觉和自然语言处理等许多领域都取得了可喜的进展。这些任务中的数据通常在欧几里得域中表示.然而，许多学习任务需要处理非欧几里得图数据，这些数据中包含了丰富的元素之间的关系信息，如物理系统建模、学习分子指纹、预测蛋白质界面等。图神经网络(GNN)是基于深度学习的方法，在图域上进行操作。由于GNN具有令人信服的性能和较高的可解释性，近来已成为一种应用广泛的图分析方法。

本书全面介绍了图神经网络的基本概念、模型和应用。它从数学和神经网络的基础知识开始。在前几章中，它对GNN的基本概念进行了介绍，旨在为读者提供一个总体的概述。然后介绍了GNNs的不同变体：图卷积网络、图递归网络、图注意力网络、图残差网络以及几种通用框架。这些变体倾向于将不同的深度学习技术泛化到图中，如卷积神经网络、递归神经网络、注意机制和跳过连接等。此外，本书还介绍了GNN在结构场景（物理、化学、知识图）、非结构场景（图像、文本）和其他场景（生成模型、组合优化）中的不同应用。最后，书中列出了相关的数据集、开源平台和GNNs的实现。

本书的结构如下。在第1章的概述之后，我们在第2章介绍了一些数学和图论的基本知识。我们在第3章中展示了神经网络的基础知识，然后在第4章中对原始GNN进行了简单介绍。在第5章、第6章、第7章和第8章分别介绍了四种类型的模型。在第9章和第10章中介绍了针对不同图类型的其他变体和高级训练方法。然后我们在第11章提出了几种通用的GNN框架。在第12、13和14章中介绍了GNN在结构场景、非结构场景和其他场景中的应用。最后，我们在第15章提供了一些开放资源，并在第16章结束本书。

Chapter1：Introduction

Introduction to Graph Neural Network（图神经网络概论）翻译：Chapter1：Introduction

Chapter2：Basic of Math and Graph

Introduction to Graph Neural Network（图神经网络概论）翻译：Chapter2：Basic of Math and Graph

Chapter3：Basic of Neural Networks

Introduction to Graph Neural Network（图神经网络概论）翻译：Chapter3：Basic of Neual Networks

Chapter4：Vanilla Graph Neural Networks

Introduction to Graph Neural Network（图神经网络概论）翻译：Chapter4：Vanilla Graph Neural Networks

Chapter5：Graph Convolutional Networks

Chapter6：Graph Recurrent Networks

Chapter7：Graph Attention Networks

Chapter8：Graph Residual Networks

Chapter9：Variants for Different Graph Types

Chapter10：Variants for Advanced Training Methods

Chapter11：General Frameworks

Chapter12：Applications – Structural Scenarios

Chapter13：Applications – Non-Structural Scenarios

Chapter14：Applications – Other Scenarios

Chapter15：Open Resources

Chapter16：Conclusion