A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources 异构图 (HG) 也称为异构信息网络，在现实世界中无处不在；因此，HG 嵌入旨在在低维空间中学习表示，同时保留下游任务（例如，节点/图分类、节点聚类、链接预测）的异构结构和语义，近年来引起了相当大的关注。在本次调查中，我们对 HG 嵌入方法和技术的最新发展进行了全面审查。我们首先介绍了 HG 的基本概念，并讨论了与同构图表示学习相比，HG 嵌入的异质性带来的独特挑战；然后我们根据他们在学习过程中使用的信息系统地调查和分类最先进的 HG 嵌入方法，以解决 HG 异质性带来的挑战。特别是对于每一种有代表性的HG嵌入方法，我们都进行了详细的介绍，并进一步分析了其优缺点；同时，我们还首次探索了不同类型的 HG 嵌入方法在现实工业环境中的变革性和适用性。此外，我们进一步介绍了几个广泛部署的系统，这些系统已经证明了 HG 嵌入技术在解决具有更广泛影响的实际应用问题方面的成功。为了促进该领域的未来研究和应用，我们还总结了开源代码、现有图学习平台和基准数据集。最后，我们探讨了 HG 嵌入的其他问题和挑战，并预测了该领域的未来研究方向。

Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey 动态网络用于广泛的领域，包括社交网络分析、推荐系统和流行病学。将复杂网络表示为随时间变化的结构，网络模型不仅可以利用结构模式，还可以利用时间模式。然而，由于动态网络文学来自不同领域并使用不一致的术语，因此导航具有挑战性。同时，图神经网络 (GNN) 近年来因其在一系列网络科学任务（例如链接预测和节点分类）上表现出色的能力而受到广泛关注。尽管图神经网络很流行并且动态网络模型的好处已经得到证实，但很少有人关注用于动态网络的图神经网络。为了解决这项研究跨越不同领域以及调查动态图神经网络这一事实所带来的挑战，这项工作分为两个主要部分。首先，为了解决动态网络术语的歧义，我们建立了具有一致、详细的术语和符号的动态网络基础。其次，我们使用所提出的术语对动态图神经网络模型进行了全面调查。

论文Graph neural representational learning of RNA secondary structures for predicting RNA-protein interactions中实验所用数据集，想要复现论文的同学可以进行下载

Bridging the Gap between Spatial and Spectral Domains:A Survey on Graph Neural Networks 深度学习的成功在各种机器学习任务中得到了广泛认可，包括图像分类、音频识别和自然语言处理。作为深度学习在这些领域之外的扩展，图神经网络 (GNN) 旨在处理以前的深度学习技术难以处理的非欧图结构。现有的 GNN 使用各种技术呈现，这使得直接比较和交叉引用更加复杂。尽管现有研究将 GNN 分为基于空间和基于光谱的技术，但尚未对它们的关系进行彻底检查。为了弥补这一差距，本研究提出了一个系统地整合了大多数 GNN 的单一框架。我们将现有的 GNN 组织到空间和光谱域中，并暴露每个域内的连接。谱图理论和近似理论的回顾在进一步研究中建立了跨空间和谱域的强关系。

近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常在欧几里得空间中表示。 然而，越来越多的应用程序从非欧几里得域中生成数据，并表示为对象之间具有复杂关系和相互依赖性的图形。图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图数据深度学习方法的研究。在本次调查中，我们全面概述了数据挖掘和机器学习领域的图神经网络 (GNN)。我们提出了一种新的分类法，将最先进的图神经网络分为四类，即循环图神经网络、卷积图神经网络、图自动编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，我们提出了这个快速发展领域的潜在研究方向。

图神经网络 (GNN) 已成为分析和学习图数据的标准工具包。随着该领域的发展，识别关键架构并验证可推广到更大、更复杂的数据集的新想法变得至关重要。不幸的是，在缺乏具有一致实验设置的标准化基准的情况下，越来越难以衡量新模型的有效性。在本文中，我们介绍了一个可重复的 GNN 基准测试框架，使研究人员能够方便地为任意数据集添加新模型。我们通过对最近的 Weisfeiler-Lehman GNN (WL-GNN) 与基于消息传递的图卷积网络 (GCN) 进行各种图任务（即图回归/分类和节点/链路预测，具有中等规模的数据集。

在过去十年左右的时间里，我们见证了深度学习让机器学习领域重新焕发活力。它以最先进的性能解决了计算机视觉、语音识别、自然语言处理等领域的许多问题。这些领域的数据一般用欧几里得空间表示。

IMDB dataset, IMDB数据集，其中包含很多个子数据集和一份pdf数据说明 由于平台只能上传小于100M数据这里分成两个part上传

IMDB dataset, IMDB数据集，其中包含很多个子数据集和一份pdf数据说明 由于平台只能上传小于100M数据这里分成两个part上传

入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。