【2020 图神经网络综述】A Comprehensive Survey on Graph Neural Networks
未经作者答应，本文禁止转载
1. 摘要：
2. 简介：2.1 为什么要用图表明数据：
2.2 GNN与network embedding：
2.3 GNN与Graph Kernel：
2.4 一些符号表明：
3. GNN的分类和基本框架：3.1 GNN的结构分类：3.1.1 RecGNNs：
3.1.2 ConvGNNs：
3.1.3 GAEs：
3.1.4 STGNNs：
3.2 GNN的框架分类：3.2.1 GNN的输出分类：
3.2.2 GNN的练习分类：
3.2.3 计算结果：
4. 递归图神经网络（RecGNN）：4.1 GNN^*∗：
4.2 GraphESN：
4.3 GGNN：
5. 卷积图神经网络（ConvGNN）：5.1 根据频谱的ConvGNN：5.1.1 基本原理：
5.1.2 ChebNet：
5.1.3 CayleyNet：
5.1.4 GCN：
5.1.5 其他作业：
5.2 根据空间域的ConvGNN：5.2.1 基本原理：
5.2.2 NN4G：
5.2.3 其他作业：
5.3 进步练习效率：5.3.1 批量练习：
5.3.2 Fast-GCN：
5.3.3 自适应采样：
5.3.4 随机练习：
5.3.5 Cluster-GCN：
5.4 频谱形式和空间域形式的比较：
5.5 下采样模块：5.5.1 Set2Set：
5.5.2 ChebNet：
5.5.3 SortPooling：
5.5.4 DiffPooling：
5.5.5 SAGPool：
5.6 理论方面的评论：5.6.1 感受野大小：
5.6.2 VC维数：
5.6.3 图的同构：
5.6.4 同变性和不变性：
5.6.5 通用迫临性：
6. 使用：6.1 数据集：
6.2 评价办法和开源完成：6.2.1 节点分类：
6.2.2 图分类：
6.2.3 开源完成：
6.3 实践使用场景：6.3.1 计算机视觉：
6.3.2 自然语言处理：
6.3.3 智能交通：
6.3.4 推荐体系：
6.3.5 化学范畴：
6.3.6 其他使用：
7. 研讨方向：7.1 模型深度：
7.2 可扩展性的权衡：
7.3 异质性：
7.4 动态性：
