一 图神经网络（GNN）的出现：
深度学习在欧式数据上取得了巨大的成功，但是，越来越多的应用需要对非欧式数据进行分析。例如，在引文网络中，论文需要通过被引用的关系相互连接，然后通过挖掘关系被分成不同的组。这样的数据也被称为图数据。
图数据不规则，每个图的无序节点大小是可变的，且每个结点有不同数量的邻居结点，因此一些重要的深度学习的操作如卷积能够在图像数据上轻易计算，但是不适用于图数据
二 网络嵌入
网络嵌入致力于在一个低维向量空间进行网络节点表示，同时保护网络拓扑结构和节点的信息，便于后续的图像分析任务，包括分类，聚类，推荐等，能够使用简单现成的机器学习算法（例如，使用SVM分类）。简单来说网络嵌入的任务就是把图用一个向量的数据来表示，这样就可以应用普通的机器学习方法来完成图数据相关的机器学习任务。
三GNN的分类
①GCN（图卷积神经网络）：图的特征提取器。跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去做一些和图数据有关的任务。对图数据进行节点分类（node classification）、图分类（graph classification）、边预测（link prediction），还可以顺便得到图的网络嵌入表示（graph embedding）。
②图自编码机：是一种非监督学习框架，目标是通过编码机学习到低维的节点向量，然后通过解码机重构出图数据。就是通过给出的低维向量数据来生成一个恰当的表示这个数据的关系图。
③图生成网络：目标是从数据中生成符合需求的图关系数据。因为图是一种较为复杂的数据结构，所以要想从数据中生成指定经验分布的图是非常具有挑战性的。
④图时空网络：时空网络图有区别于其他种类的图数据，这种图数据除了节点，边，权值以外还有时间。这种网络目标是从时空图中学习到不可见的一些模式，这在交通预测、人类的活动预测中变得越来越重要。比如，在道路交通网络就是一种时空图，图的数据在时间维度上是连续的
四应用场景
1 图分类：我们知道很多有机物或者化合物的分子结构都是可以用图结构来表示的，比如4-nitroindole。该GNN的作用是训练一个图神经网络，接收一个分子结构来判断该分子结构会不会导致发生突变，这可以理解为是一个机器学习里面的分类问题。
2 图的生成
3 社交网络分析
4 网络拓扑分析
