本文主要介绍了2021年最新的图神经网络综述，是入坑的最佳材料。
图神经网络已经成为深度学习领域最炙手可热的方向之一了，也是各大互联网公司非常欢迎的方向。
A Survey on Heterogeneous Graph Embedding本文来自图挖掘jwdzcPhilip S. Yu老师和在异质图领域深耕的wjdjd教授。一作Xiao Wang是图挖掘的Rising Star。图神经网络大部分的研究是针对简单同质图设计的。然后，在工业实际场景下，数据往往更加复杂，是包含多种类型节点和边的异质图。例如，电商推荐实际是预测用户-商品之间的边。因此，异质图神经网络更具有实际经济价值。
本文分类梳理了异质图神经网络及表示学习最新的进展，包括模型，应用及相关的资源(数据&代码)。非常值得一看~
论文链接：http://shichuan.org/doc/95.pdf
Graph Self-Supervised Learning: A Survey本文来自图挖掘jwdzcPhilip S. Yu老师和学术新秀 Shirui Pan，主要介绍了图上自监督学习的最新进展。自监督学习这1，2年非常火，当然也免不了蔓延到图神经网络领域。例如，图神经网络预训练模型基本都是采用自监督训练的。
image-20210302115026004 image-20210302115128408论文链接：https://arxiv.org/pdf/2103.00111.pdf
Meta-Learning with GNNs:Methods&Applications图神经网络与元学习结合的相关模型及应用。图神经网络经过这几年的发展，已经逐渐进入了深水区。一些研究者便将其与多种传统技术如元学习结合，弯道超车，也发了一些顶会论文。
论文链接：https://arxiv.org/pdf/2103.00137.pdf
Automated Machine Learning on Graphs: A Survey本文来自清华大学朱文武团队。与传统深度学习算法类似，图深度学习(包括图表示学习和图神经网络)也不可避免的需要调整大量超参数。AutoML可以实现自动超参数搜索，本文则是集中梳理了图上的自动机器学习技术。
论文链接：https://arxiv.org/pdf/2103.00742.pdf