不同于声学，图像，自然语言处理这些方向，深度学习可以很好的提取这些数据中的底层数据的复杂模式，对于现实世界而言，现实生活中普遍存在的关系具有非常复杂的结构，例如社交网络，电商网络，生物网络和交通网络。每个节点都有不同数量的相同节点，彼此之间存在依赖关系，导致一些在声学，图像上的重要操作(例如卷积)不再适合直接用于图。如何利用深度学习来对图数据进行分析，也吸引了很多人。
有关图神经网络有很多综述，更多地论文可以参考清华大学整理的GNN Paper list。图神经网络入门包括两大类，半监督方法和无监督方法。整体思路可以概括为下图，以便大家参考。
B站上有很多免费的入门视频，看这个入门更快一些：
复旦博士带你一周搞定【图神经网络GNN】类人猿都能学会，图神经网络快速入门（GNN/RNNGAN）-人工智能-AI-神经网络-深度学习-机器学习_哔哩哔哩_bilibili
另外免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLQ、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。
下面是部分截图，文末附免费下载方式。
目录
一、人工智能免费视频课程和项目
二、人工智能必读书籍
三、人工智能论文合集
四、机器学习+计算机视觉基础算法教程
五、深度学习机器学习速查表（共26张）
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。