多目标跟踪算法，使用GNN全局最近邻算法，进行目标 关联处理，

图神经网络依然是研究焦点之一。最近在WWW2020的DL4G@WWW2020论坛，斯坦福大学Jure Leskovec副教授介绍了图神经网络研究最新进展，包括GNN表现力、预训练和公开图神经网络基准等。值得关注。

李宏毅助教姜同学讲解GNN.pdf

图形健身房 GraphGym是用于设计和评估图神经网络（GNN）的平台。 强调 1.高度模块化的GNN管道 数据：数据加载，数据拆分 模型：模块化GNN实施 任务：节点/边/图级GNN任务 评估：精度，ROC AUC，... 2.可重复的实验配置 每个实验均由配置文件完整描述 3.可扩展的实验管理 轻松并行启动数千个GNN实验 自动生成随机种子和实验中的实验分析和图形。 4.灵活的用户定制 轻松地在注册您自己的模块，例如数据加载器，GNN层，损失函数等。 为什么选择GraphGym？ TL; DR： GraphGym非常适合GNN初学者，领域专家和GNN研究人员。 方案1：您是GNN的初学者，他想了解GNN的工作原理。 您可能已经阅读了许多有关GNN的精彩论文，并尝试编写自己的GNN实现。使用现有的GNN包，您仍然必须自己编写必要的管道。 GraphGym是您开始学习标准化GNN实施

本文发现基于图神经网络（Graph Neural Networks，GNN）相关的接受paper非常多，图神经网络这几年方法的研究，以及在CV、NLP、DM上应用也非常广，也是当前比较火的topic。

今年的EMNLP 2019上，Shikhar等人做了tutorial，详述了如何用图神经网络（GNN）做自然语言处理。这个tutorial非常有价值，主要包括对GCN方法的研究、以及在不同的任务场景下，如何使用它来做更好的解决问题，提升算法的性能等。

GNN项目拔高实战配套代码

论文引用网络节点分类BaseLine。本次基线基于飞桨PaddlePaddle 1.8.4版本，若本地运行则可能需要额外安装pgl、easydict、pandas等模块。直接可运行。

图神经网络，来自于南洋理工大学计算机学院Xavier Bresson教授的演讲稿，欢迎大家下载学习。

ACM Multimedia 2019已于2019年10月21日至25日在法国尼斯举行。以下整理了会议上已收录的关于图神经网络（GNN）的七篇最新论文，涉及个性化推荐、短视频推荐、多视频摘要、基于文本的行人搜索、视频关系检测、社区问答（CQA）系统等，欢迎大家下载学习。