图神经网络综述：从Deepwalk到GraphSAGE，GCN，GAT

1.graph embedding（GE）1.1.图中学习的分类1.2.相似度度量方法2.Graph neural network2.1.Graph convolutional network(GCN)2.1.1.引子：热传播模型2.1.2.热传播在graph上的求解：傅里叶变换2.2.分析下graph neural中哪些东西可以做？2.3.损失函数3.GraphSAGE：generalized aggregation方法4.Gated Graph Neural Networks：go deeper with RNN5.Graph level的embedding6.Graph attention network7.application example8.彩蛋：卷积的含义1.graph embedding（GE）GE做的事情是将图表示成为低维向量，类似与nlp将词、句子等embedding。distributed representation的一体化过程，万物皆可embedding。将图中的节点表示成低维、实值、稠密的向量形式，使得得到的向量形式可以在向量空间中具有表示以及推理的能力，这样的向量可以用于下游的具体任务中。例如用户社交网络得到节点表示就是每个用户的表示向量，再用于节点分类等；将整个图表示成 ………………………………