GNN 赛道¶

赛道概览

11 个 Lesson · 预计 2-3 周 · 图分类、节点分类、图嵌入与异构图推荐

GNN 赛道是 DL-Hub 最丰富的赛道之一，从 toy 图分类入门，逐步深入到 Cora 节点分类、图嵌入算法，最终涵盖异构图和工业级图推荐。11 个 Lesson 按三大主题分组，结构清晰。

学习路径¶

flowchart TD
    subgraph GC["Graph Classification 图分类"]
        L01["01 GCN\n图分类"] --> L02["02 GIN\n图分类"]
        L02 --> L03["03 GAT\n图分类"]
    end

    subgraph NC["Node Classification 节点分类"]
        L04["04 GCN Cora\n节点分类"] --> L05["05 Label Propagation\nCora"]
        L05 --> L06["06 GraphSAGE\nCora"]
    end

    subgraph EA["Embedding & Advanced 嵌入与进阶"]
        L07["07 SDNE\n节点嵌入"] --> L08["08 LINE\n节点嵌入"]
        L08 --> L09["09 Metapath2Vec\n异构图嵌入"]
        L09 --> L10["10 PinSAGE\n推荐"]
        L10 --> L11["11 R-GCN\n关系图节点分类"]
    end

    GC --> NC --> EA

    style L01 fill:#2563eb,color:#fff
    style L02 fill:#2563eb,color:#fff
    style L03 fill:#2563eb,color:#fff
    style L04 fill:#059669,color:#fff
    style L05 fill:#059669,color:#fff
    style L06 fill:#059669,color:#fff
    style L07 fill:#d97706,color:#fff
    style L08 fill:#d97706,color:#fff
    style L09 fill:#7c3aed,color:#fff
    style L10 fill:#dc2626,color:#fff
    style L11 fill:#7c3aed,color:#fff

颜色说明

图分类 · 节点分类 · 图嵌入 · 异构图 · 推荐系统

先修知识¶

领域	要求
DL-Hub	完成 Foundations 赛道
图论	邻接矩阵、节点度、连通分量等基本概念
线性代数	矩阵乘法、特征值分解（谱方法需要）

课程列表¶

Graph Classification 图分类¶

序号	项目	代码文档	核心概念
01	GCN 图分类	`toy_graph_classification`	邻接矩阵, 消息传递
02	GIN 图分类	`gin_toy_graph_classification`	WL Test, 图同构
03	GAT 图分类	`gat_toy_graph_classification`	注意力系数, 多头注意力

从 GCN 到 GAT

这三个 Lesson 展示了 GNN 消息传递范式的演进：

GCN：用对称归一化邻接矩阵聚合邻居特征
GIN：引入 MLP 和求和聚合，达到 WL Test 同构判别能力
GAT：为不同邻居分配不同注意力权重，实现自适应聚合

Node Classification 节点分类¶

序号	项目	代码文档	核心概念
04	GCN Cora 节点分类	`cora_node_classification_gcn`	半监督学习, 谱方法
05	Label Propagation Cora	`label_propagation_cora`	经典基线, 无参数方法
06	GraphSAGE Cora	`graphsage_cora`	采样聚合, 归纳学习

Cora 数据集系列

Cora 是图神经网络领域最经典的引文网络数据集（2708 节点 / 7 类），这三个 Lesson 在同一数据集上对比不同方法：

GCN：全图谱卷积，转导学习
Label Propagation：无参数标签传播基线
GraphSAGE：小批量采样 + 聚合，归纳学习

Embedding & Advanced 嵌入与进阶¶

序号	项目	代码文档	核心概念
07	SDNE 节点嵌入	`sdne_karate_embedding`	自编码器, 一阶/二阶近似
08	LINE 节点嵌入	`line_karate_embedding`	大规模网络, 边采样
09	Metapath2Vec 异构图嵌入	`metapath2vec_toy_hetero_embedding`	元路径, 异构随机游走
10	PinSAGE 推荐	`pinsage_toy_recommender`	随机游走采样, 工业级图推荐
11	R-GCN 关系图节点分类	`rgcn_toy_node_classification`	关系特定权重, 知识图谱

运行示例¶

Lesson 01 — GCN 图分类Lesson 04 — GCN CoraLesson 10 — PinSAGELesson 11 — R-GCN

python -m tracks.gnn.lesson_01_toy_graph_classification.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

python -m tracks.gnn.lesson_04_cora_node_classification_gcn.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

python -m tracks.gnn.lesson_10_pinsage_toy_recommender.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

python -m tracks.gnn.lesson_11_rgcn_toy_node_classification.train \
  --dataset fake --epochs 1 \
  --max-train-batches 2 --max-eval-batches 2

GNN 技术演进¶

timeline
    title GNN 核心方法演进
    2016 : GCN (Kipf & Welling)
         : 谱图卷积的一阶近似
    2017 : GraphSAGE (Hamilton et al.)
         : 归纳学习 + 采样聚合
         : GAT (Velickovic et al.)
         : 注意力机制
    2019 : GIN (Xu et al.)
         : WL Test 等价图同构网络
    2018 : PinSAGE (Ying et al.)
         : Pinterest 工业级图推荐
         : R-GCN (Schlichtkrull et al.)
         : 关系图卷积网络

下一步¶

完成 GNN 赛道后，你可以继续：

推荐方向	说明
Point Cloud 点云赛道	将图结构思想应用于 3D 点云
Generative 生成模型赛道	学习 VAE 和 GAN 生成模型
Multimodal 多模态赛道	多模态融合中的图结构应用