主要实现图游走模型(DeepWalk、node2vec)；图神经网络算法(GCN、GAT、GraphSage)，部分进阶 GNN 模型（UniMP标签传播、ERNIESage）模型算法，并在OGB图神经网络公认榜单上用小规模数据集（CiteSeer、Cora、PubMed）以及大规模数据集ogbn-arixv完成节点分类算法
订阅本专栏你能获得什么？
前人栽树后人乘凉，本专栏提供资料：快速掌握图游走模型(DeepWalk、node2vec)；图神经网络算法(GCN、GAT、GraphSage)，部分进阶 GNN 模型（UniMP标签传播、ERNIESage）模型算法，并在OGB图神经网络公认榜单上用小规模数据集（CiteSeer、Cora、PubMed）以及大规模数据集ogbn-arixv完成节点分类算法，省去你大把时间，效率提升。 帮助你快速完成任务落地，以及科研baseline。
本人后续会持续整合ML、DRL、NLP等相关领域的体系化项目课程，方便入门同学快速掌握相关知识，后续会不断增添实战环节（比赛、论文、现实应用等）。
- 对于机器学习这块规划为：基础入门机器学习算法—>简单项目实战—>数据建模比赛----->相关现实中应用场景问题解决。一条路线帮助大家学习，快速实战。
- 对于深度强化学习这块规划为：基础单智能算法教学（gym环境为主）---->主流多智能算法教学（gym环境为主）---->单智能多智能题实战（论文复现偏业务如：无人机优化调度、电力资源调度等项目应用）
- 自然语言处理相关规划：除了单点算法技术外，主要围绕知识图谱构建进行：信息抽取相关技术（含智能标注）—>知识融合---->知识推理---->图谱应用
上述对于你掌握后的期许：
- 对于ML，希望你后续可以乱杀数学建模相关比赛（参加就获奖保底，top还是难的需要钻研）
- 可以实际解决现实中一些优化调度问题，而非停留在gym环境下的一些游戏demo玩玩。（更深层次可能需要自己钻研了，难度还是很大的）
- 掌握可知识图谱全流程构建其中各个重要环节算法，包含图数据库相关知识。
这三块领域耦合情况比较大，后续会通过比如：搜索推荐系统整个项目进行耦合，各项算法都会耦合在其中。举例：知识图谱就会用到（图算法、NLP、ML相关算法），搜索推荐系统（除了该领域召回粗排精排重排混排等算法外，还有强化学习、知识图谱等耦合在其中），后续会持续实现。
1.专栏目录如下
2.文章合集
2.1图算法前置知识
A.词向量word2vec，词向量Word Embedding（图学习参考资料【1】）
A.图学习DeepWalk、word2vec、node2vec【参考资料2】-知识补充与node2vec代码注解
A.关于图计算&图学习的基础知识概览：前置知识点学习（Paddle Graph L）【一】
A.图机器学习(GML)&图神经网络(GNN)原理和代码实现(前置学习系列二）
2.2 图算法原理+实战
B.图学习初探Paddle Graph Learning 构建属于自己的图【系列三】
B.图游走模型/图学习之图游走类deepwalk、node2vec模型[系列四]
B.图算法：图游走模型/图学习之图游走类metapath2vec模型[系列五]
B.图算法：图学习之图神经网络GNN模型GCN、GAT[系列六]
B.图算法：图学习之图神经网络GraphSAGE、GIN图采样算法[系列七]
B.图算法：图学习之图神经网络ERNIESage、UniMP进阶模型[系列八]
B.图神经网络之预训练大模型结合：ERNIESage在链接预测任务应用
B.图算法：图学习之项目实践(UniMP算法实现论文节点分类、新冠疫苗项目实战，助力疫情)[系列九]
B.图算法：图神经网络图学习之基于GNN模型新冠疫苗任务[系列九]
B.图算法：图神经网络图学习之基于UniMP算法的论文引用网络节点分类任务[系列九]
B.图算法：图神经网络图学习项目合集&数据集分享&技术归纳业务落地技巧[系列十]