一 图神经网络的任务
1.节点层面：主要实现任务分类和回归。当前主要存在工业界的社交网络中用户标签分类，恶意账户的检测
2. 边层面：实现边的预测与分类。边的分类主要值对边的某些性质进行预测，即指定的点之间是否存在边。主要存在推荐系统中
3. 图层面的任务。这个任务不依赖边和点之间的关系，主要是从图的整个结构特征出发，实现图的分类，表示，生成等任务
二. GCN对表示学习和任务学习一起进行了端到端的优化，同时对结构信息与属性信息的学习同时进行，并没有进行分解和解构。
GCN是一个低通滤波器，容易导致过平滑
GraphSAGE 对GCN改造。从两个方面，1）邻居采样 2）聚合邻居操作。每个节点的特征学习过程只需要K阶邻居，不需要考虑全图的结构信息。
GAT 基于注意力机制实现对邻居节点的聚合操作，对邻居权重的自动分配
GNN的通用框架：消息传播的神经网络,非局部神经网络， 图网络
三。图分类
图分类主要关注图层面的分类任务。基于全局池化的图分类，
基于层次化池化的图分类：基于图坍缩，基于top-k池化机制，基于边收缩的池化机制。
四GCN的图表示学习
图表示学习是将图数据转化为低维的稠密向量化表示，同时保证图数据的某些性质在向量空间中保持不变。图数据的表示可以是节点层面的，也可以全图层面的，这类的表示可以实现下游任务，点分类，边预测，图分类等。
图表示学习主要分为基于分解的方法，基于随机游走的方法，基于深度学习GCN的方法。
1）在基于矩阵分解的方法中，主要采用矩阵分解，将节点转为低维向量空间中，同时保留节点的结构信息，这类结构信息通过矩阵描述，主要有邻接矩阵，拉普拉斯矩阵，节点相似度矩阵，但是这种方法存在较高的计算复杂度和内存消耗。
2）基于随机游走的方法，在图中采用随机游走的方法，将节点看作词，以此类比词向量方法从而学习出节点的表示。典型的方法有deepwalk,Node2vec。这种方法适应大规模的图表示学习，但是导致图结构信息的损失，难以融合图中的属性信息。
3）基于GNN, 图自编码器 Graph to encoder。 变分图自编码器 VGAE。对比损失GNN（邻居作为上下文，将子图作为上下文，全图作为上下文）