学习资料：
【1】graph-convolutional-networks (网页)
【2】图神经网络 (视频)
【3】图神经网络 Deep Learning on Graphs (视频)
【4】图神经网络相关论文集 (github总结)
图神经网络(Graph Neural Networks)
一个图神经网络github demo：项目代码
看图说话
图1,截图来源于
graph-convolutional-networks
图1：给很多图结构，每一个图结构给定一个标签，然后搭建网络模型。这是基于图结构，搭建的分类模型。该类模型在化学物质分类任务中，常常用到。
图2,截图来源于 graph-convolutional-networks
图2：循环神经网络RNN是处理序列的，可以处理链型结构的数据(eg:语言文本)，信息依次传递，当前状态_new=前一次状态+当前状态_old。
图3,截图来源于 graph-convolutional-networks
图3：图的数据结构，怎么用RNN网络来处理？
图4
图4：将图中节点的信息用其特征向量表示出来。
图5
图5：绿色方框表示边，它的Type1表示：单键(化学键)；黄色方框表示边，它的Type2表示：双键(化学键)。可以理解为这个图的边，只有两种类型，即两种边，但是大型图谱中，肯定包含各种各样的边。
图6
图6：每个神经元对应一个节点，将节点的一阶邻域信息进行聚合处理。一步一步的聚合，就形成了有时间序列的操作了，就可以用RNN了。
图7
图7
图7：使图中的信息不断的，一步一步的聚合，这样图的信息就被处理成了带时间顺序的序列数据，就可以用RNN处理了。how many step? this number is a hyper parameter.时间步，是一个人工设定的超参数。
图8
图8：当前图神经网络的发展史。
图9
图9：图循环神经网络应用，化学物质(图)分类。
图10
图10
图10：图循环神经网络应用，程序流程图理解。
