自从科学家发现，图神经网络 (GNN) 能处理不规则数据、攻克从前难解的问题，后每每出现图网络的资源，便广受人类的喜爱。
这次也不例外。
有个叫本尼迪克 (Benedek Rozemberczki) 的少年，在爱丁堡大学读博，他把自己整理的70多篇图网络论文+代码实现大列表，放上了GitHub。
少年在Reddit上宣布这个消息，半日热度便有215点。
不止如此，大列表也在推特上获得了800+赞：
不久，GitHub标星上了千。
本尼迪克说，列表里的模型分门别类：有图分解、有图核、有深度网络……且还会持续更新。
比起不久前红遍大江南北的PyTorch Geometric图网络库，少年说他的列表更全面。
所以，就来观察一下到底有多全。
分成四类
列表的名字，叫Awesome Graph Classification。
就像开头提到的那样，70多篇论文和它们的代码，被少年分到了四个类别里。
前两类比较简洁：
第一类是分解 (Factorization) ，有6篇论文的实现。
比如，2017年诞生的graph2vec，把整个图编码进向量空间，便属于这一类。
第二类是Spectral and Statistical Fingerprints，有7项研究的实现。
比如，中选KDD 2018的NetLSD，不受排列方式的影响、尺寸大小的影响，能在大图和大图之间做直接对比。
后面两类就丰盛了许多：
第三类是深度学习 (Deep Learning) ，也是内容最饱满的章节，有37篇论文的代码。
不乏近年顶会的中选论文：
第四类是图核 (Graph Kernels) ，衡量两图相似度的一种有效方法。
这个类别有21项研究的代码，不过这里的论文并不限于近年，跨度从2003年直到2018年。
哪里比前辈厉害？
回想上半年，多特蒙德工业大学的两位少年，发布了PyTorch Geometric (简称PyG) 图网络库，瞬时红火起来，如今已有4400多星。
PyG在四个数据集上，运行GCN和GAT模型的速度，都超过了从前的DGL图网络库，最高达到15倍速。
但从覆盖度上看，PyG有大约30个模型的代码实现，而本尼迪克的新列表包含了超过70篇论文的实现。
不止是总数的差距，本尼迪克说PyG库只有深度网络；
但在图分类 (Graph Classification) 任务里，如果没有节点和边缘特征，分解 (如Graph2Vec) 和Fingerprints (如NetLSD) 都是很有竞争力的。
这些算法，都在本尼迪克的大列表里。
所以，各位可以马克一下。
One More Thing
其实，少年整理过的清单并不止这一个。
社区发现 (Community Detection) 、分类/回归树，以及梯度增强，都有论文代码实现列表。
大家可以从传送门前往探索。
图网络大列表：
https://github.com/benedekrozemberczki/awesome-graph-classification
— 完 —
“
