图神经网络实战 第二期 [限时¥99秒杀，从算法实战到最新论文]

先搞清楚：图神经网络到底解决什么工作场景

常规的表格数据或图像任务里，样本之间往往是独立的。但很多实际业务场景里，实体之间存在复杂的关联，比如社交网络里的用户互动、金融风控里的资金转账链路、推荐系统里的用户与物品交叉点击，以及医疗领域的分子结构。图神经网络（GNN）解决的就是这类带有拓扑结构的数据建模问题。如果你的工作涉及风控反欺诈、推荐算法、知识图谱或者药物分子属性预测，把节点和边的关系丢给 GNN，通常比硬把数据拍平了塞进树模型效果更好。这门课没有把篇幅浪费在泛泛的深度学习科普上，而是直接对准静态图、动态图和交叉应用三个具体阶段，帮你补齐处理图结构数据的算法短板。

适合什么基础，建议先看哪几块

这套资料不适合完全零基础的新手。它默认你已经能熟练写 Python，了解 PyTorch 的基本张量操作，并且对卷积网络、损失函数、反向传播有清晰的概念。如果你连这些都不熟，建议先补基础再来，否则到时序动态图部分会非常吃力。对于符合基础门槛的读者，建议先从第一阶段的图论理论和无监督图学习看起，这两块决定了你能不能把现实业务抽象成邻接矩阵和特征向量，是后续所有实战的地基。如果手头有具体的时序业务需求，比如交易流水随时间演变，可以直接跳到第二阶段的连续与离散动态图概述。第三阶段的交叉应用属于拓展视野，挑你最关心的场景看即可。

资料怎么配合练习，学完能独立做什么

看这套资料最大的忌讳就是只盯着视频推导公式。正确的用法是：每学完一个理论模块，必须自己写代码跑通对应的数据加载和模型前向传播。在静态图阶段，找一份公开的引用网络或社交网络数据集，自己动手实现节点分类，观察不同聚合方式对准确率的影响；到了动态图阶段，重点练习如何处理时间戳带来的子图采样，理解时序信息是怎么改变节点状态的。把视频里的代码当作参考答案而不是拐杖，先自己写，卡住了再去对照。踏踏实实跟着这三个阶段练下来，你能独立完成一整套图数据的建模流程：从把业务数据构建成图，到选择合适的 GNN 变体，再到训练、评估和排查过拟合。对于做算法的上班族来说，这意味着你以后面对带网络关系的数据集，不再是只会跑随机森林，而是能拿出切实可行的图模型方案。