《深入浅出图神经网络》、《图神经网络基础于前沿》、《图神经网络导论》和《图深度学习》的比较

前面挖的坑，要写这三本书的比较，这里来填坑了。在编写期间突然发现密歇根州立的马博士和汤老师的书《图深度学习》中文版也出来了，赶紧入手一本，然后参与进来，这样就变成4本书的比较了。方便起见，给四本书来个简称：《深浅》、《基础》、《导论》和《图DL》。先上图片来个大小比较，给大家一点直观感受。


然后上个表格，比较一下基本信息和核心点。

下面主要分析一下这4本书的对于读者的阅读建议。

对于大学的本科生，特别是低年级的学生，建议先把基础课学好，特别是高数/线代、概率论，有条件的学习一下机器学习和深度学习的基础课。这4本书里面，都单独辟出了几个章节来简单的介绍了相关基础内容，《深浅》的2-4章，《导论》的第2、3章和《图DL》的第3章，其中《图DL》给的介绍更全面一些。但仅仅靠这些书里的内容肯定是不够的，所以同学们还是要把相关的基础打好。有了这些基础后，可以仔细地看看和图论以及基础图分析内容，比如《深浅》的第1、5章，《基础》的第2章，《图DL》的第2章。对于GNN的部分，建议同学们看看基础的一些GNN的模型介绍（《深浅》的7章，《基础》的第3章）就好了，比如经典的GCN、GAT和RGCN。更新的一些模型可以暂时不用看。下面就直接找一些现有的库上手来看代码和运行一些例子，比如看看DGL之类的库的文档和教程，有一个基本的了解就差不多了，后续可以根据未来的职业方向来决定。

对于已经毕业工作的，或者相关专业的硕士及以上学历的。如果是算法工程师之类的半工程和半研究的人员，可以把相关的基础章节复习一下。如果是非相关专业，那么还是要和学生一样，把基础搞一下，特别是机器学习和深度学习的基础，外加一部分相关图论的部分。然后可以仔细学习基础的GNN模型及其原理，理解其核心公式，同时结合现有的库和例子上手学习编写GNN的模型，特别是整个GNN训练和推断的pipeline的构建，这样就能把GNN运用到自己实际的项目里。然后就可以跟进一些SOTA的模型，比如《基础》的第8章，《导论》的12-14章里相关的方向。在有了一定的实践经验之后，可以看看相关的一些训练技巧层面的内容，比如《基础》的第5章，《导论》的第10章，《图DL》的第7章和14.2小节。因为GNN的训练，特别是小批次训练和其他DL的训练还是有些区别，这里面涉及的内容比较多，所以不仅要看这些内容，还需要根据使用的库(DGL或PyG)的例子来学习怎么做小批次训练和推断。

对于搞科研的人来说，如果不是专门搞GNN方向的，可以浏览一下《基础》、《导论》和《图DGL》。大致了解GNN是什么东西，能找到自己研究课题可以结合的东西，再细看论文也不迟。毕竟GNN也是深度学习的一个分支，很多的原理都是想通和可以相互借鉴的。如果学科跨度比较大，而又希望深入的学学GNN，这里推荐《图DL》。相比其他3本，《图DL》更类似于教材，可以比较深入的学习。

对一些只是希望了解图神经网络是什么的读者。只要看看每本书的第1和最后关于应用的一章看看就好了。这里《基础》和《导论》对于做PPT是相对容易理解的。

好了，基本比较就写这么多。GNN现在越来越热，相应的中文书从2019年初只看到一本到2021年初开始井喷一样的一下出来了3本，预计后续会有相应的教科书出来，现在的学生有福。

由于《图DL》刚刚入手不久，只是匆匆浏览了一下全书，仔细读完后，再补一个读后感吧。