• 知名学者

• 研究小组

• 网络学习资源

  • 基础知识课程
  • Github相关项目
  • 微信公众号

• 图神经网络学习

  • GNN_tutorial
  • GCN_code
  • GraphSAGE_code

• 网络基础知识学习

• 研究数据集收集

• 研究软件工具

可以通过谷歌学术 Follow 大佬的最新研究

排名不怎么分先后😊

• Albert-László Barabási ---Google-Scholar-Citations

  复杂网络领域开创性学者（总引190，000+）

• Mark Newman --- Santa Fe Institute---Google-Scholar-Citations

  复杂网络领域开创性学者（总引179,000+）

• Duncan J Watts --- Pennsylvania---Google-Scholar-Citations

  小世界模型， 六度（总引95,000+）

• Jon Kleinberg---Google-Scholar-Citations

  HITS 模型 （总引87,000+）

• 陈关荣教授--香港城市大学---Google-Scholar-Citations

  混沌，非线性系统，复杂网络 （总引99,000+）

• 🌟 韩家炜 Jiawei Han --- UIUC---Google-Scholar-Citations

  数据挖掘大佬(总引184,000+)

• 🌟Philip S. Yu --- UIC ---Google-Scholar-Citations

  数据挖掘大佬(总引118,000+)

• 🌟 Christos Faloutsos --- CMU---Google-Scholar-Citations

  Data Mining for graphs and streams 基础理论的大佬

• 唐杰 --- 清华大学---Google-Scholar-Citations

  社会网络，知识图谱大佬，还有 AMiner (The system has over 136 million researchers and 200 million papers) 等产品

• Hanghang Tong --- Associate Professor of UIUC---Google-Scholar-Citations

  social networks analysis, healthcare, cyber-security and e-commerce； Christos Faloutsos 门生

• James Fowler---Google-Scholar-Citations

  社会网络方向，个人主页有很多源码，软件，和数据集。

• M. De Domenico---Google-Scholar-Citations

  多层网络研究知名学者，分享了他的研究进展、工具和数据集

• Cristopher Moore - Santa Fe Institute---Google-Scholar-Citations

  做很多物理学思想方法在复杂网络中的应用；以及一些量子计算，量子算法在网络中的应用

• 汪秉宏---中国科学技术大学---科学网博客-----Google-Scholar-Citations

  物理倾向的的复杂网络大牛，复杂网络专著。

• 🌟🌟 Jure Leskovec --- stanford---Google-Scholar-Citations

  斯坦福复杂网络小组(总引62,000+)，很多开创性工作(node2vec, GraphSAGE)，个人主页有超多研究工具，数据集，代码 ; Christos Faloutsos 门生

• 周涛---电子科技大学---科学网博客---Google-Scholar-Citations

  国内做复杂网络和数据挖掘的大佬(总引20,000+)。

• Le Song --- Georgia Tech ---Google-Scholar-Citations

  动态网络表征学习，社会网络分析。

• 🌟 Thomas Kipf --- UVA ---Google-Scholar-Citations

  GCN 作者，随后一系列图方面有影响力的工作， Max Welling 门生。

• 🌟 William L Hamilton --- McGill ---Google-Scholar-Citations

  GraphSAGE 作者， 图表征，图神经网络相关工作 ， Jure Leskovec 门生

• 🌟 Petar Veličković --- DeepMind ---Google-Scholar-Citations

  GAT, Deep Graph Infomax 作者， 图表征，图神经网络相关工作.

• Xiangnan He --- USTC ---Google-Scholar-Citations

  推荐系统 ， 图神经网络； Tat-Seng Chua 门生。

• 🌟 Yizhou Sun --- UCLA---Google-Scholar-Citations

  异质图方面研究大佬， 韩家炜 门生。

• Joan Bruna --- NYU---Google-Scholar-Citations

  14年图卷积开山作的作者。数学出身。

• Xavier Bresson --- NTU---Google-Scholar-Citations

  图上的深度学习， 图谱理论，图卷积。

• Chuan Shi 石川--- 北邮---Google-Scholar-Citations

  异质图方面研究， Philip S. Yu 门生。

• Danai Koutra --- Umich---Google-Scholar-Citations

  网络表征学习，网络对齐 ; Christos Faloutsos 门生

• Bryan Perozzi --- Stony Brook ---Google-Scholar-Citations

  网络表征学习; DeepWalk 模型

• Peng Cui 崔鹏--- 清华---Google-Scholar-Citations

  社会动力学建模、大规模网络表征学习以及大数据驱动的因果推理和稳定预测； SDNE 模型

• 🌟 Jian Tang 唐建--- MILA---Google-Scholar-Citations

  网络表征学习，知识图谱 ； LINE 模型

• 🌟 Huawei Shen 沈华伟--- ICT-CAS

  图信号处理基础特别扎实的大佬， 在 Barabasi 研究组工作过。

• Jiliang Tang 汤继良 --- Michigan State University---Google-Scholar-Citations

  Graph Neural Networks, Network Representation Learning, Network Analysis, Recommendations

• Shirui Pan --- Monash---Google-Scholar-Citations

  Graph Nerual Networks, Graph Attack and Defence, Knowledge Graph

• 🌟 Muhan Zhang (张牧涵) --- Peking University---Google-Scholar-Citations

  Link prediction, graph classification, graph structure optimization, and knowledge graph reasoning. Practical applications of GNN: brain modeling, drug discovery, healthcare, and biological applications.

• Jie Wang (王杰) -- Professor at University of Science and Technology of China---Google-Scholar-Citations

  Reinforcement learning, Graph representation learning

• Xiao Wang (王啸) -- Associate Professor, Beijing University of Posts and Telecommunications---Google-Scholar-Citations

  Graph neural networks, Heterogeneous graph.

• Lingfei Wu (吴凌飞) -- Principal Scientist at JD.COM Silicon Valley Research Center---Google-Scholar-Citations

  Graph Neural Networks

• 🌟 Santa Fe Institute

  圣地，上面好多位大佬工作学习过的地方，网页有很多很好的研究成果，研究方向等等。

• 🌟 斯坦福大学 snap 小组

  Jure Leskovec 领导， 网络嵌入等有较多的相关研究；最新很多 GNN 的研究。

• Graph Exploration and Mining at Scale (GEMS)

  网络表征研究，图对齐，知识图谱等方面研究 (PS: 很喜欢这个实验室绘图风格）

• NTU Graph Deep Learning Lab

  fundamental techniques in Graph Deep Learning, Xavier Bresson 组

• Complex Multilayer Networks

  多层网络研究： 研究进展、工具和数据集。

• Centre for Chaos and Complex Networks---香港城市大学

  复杂网络方向，已经很多工业应用； 主页有很多有关复杂网络的资源：大学课程+书籍+软件+数据集等等。

• Luciano Costa's research group

  emphasize the analysis of several types of theoretical and real-world networks, including urban structures, Wikipedia, scientific citations, amongst others. Particular attention has been given to measurement and classification of complex networks, including the proposal of new measurements such as the accessibility and topological symmetry.

• DataLab

  large-scale, heterogeneous human data, for the social good. 主要的 Project ： Social Networks ； Data Visualization ; Science of Science ; Data Curation

• 🌟 LINK-group

  生物信息网络研究

• Center for Big Data Analytics

  University of Texas, 一些 graph 相关工作

• MIT 环境工程系 González 领导的 HumNet 课题组

  复杂网络角度对人类的时空行为 进行研究，在移动模式挖掘问题上有着长期的积累。

复杂性科学研究机构推荐 by 集智俱乐部

• 复杂性科学、网络科学、计算社会科学研究机构推介（北美篇）

• 欧洲复杂性科学、网络科学研究机构推荐

• 🌟 CS224W: Machine Learning with Graphs

  斯坦福大学 Jure Leskovec 大佬小组的课程， 包含基本的图结构，图表征介绍，以及最新的 图神经网络，知识图谱的讲述。 主页有课程 PPT （PS：如果不能访问，可以直接下载我存好的讲义）

• 🌟 Barabási Lab

  上面介绍的 Barabási 巨佬实验室出的复杂网络相关课程。 也可以直接看在线书，内容相同。 (PS:如果不能访问，可以直接下载我存好的讲义)

  

• Complexity- Explore（introduction to complexity

  上面介绍的 Santa Fe Institute 出的在线课程

  

• 集智俱乐部

  北京师范大学张江老师创建的一个研究复杂网络的社区， 会实时推送有关复杂网络的研究新进展，也有一些课程，部分付费

支持正版

• 🌟 网络科学导论 by 汪小帆

  复杂网络快速入门书籍， 或者当作工具书，随时查询了解

• 🌟 Introduction to Graph Neural Network by 刘知远

  刘知远小组出品，从基础到应用

• Graph Representation Learning Book

  by William L. Hamilton 等大佬。 系统介绍图表征学习。 目前有三个大章节： node embeddings, GNNs, and generative models.

• Deep Learning on Graphs

  by Yao Ma and Jiliang Tang 等大佬。 主要介绍 GNN 的基础和应用。

• 🌟 Graph Neural Networks: Foundations, Frontiers, and Applications

  吴凌飞，崔鹏，裴健等主编， 上面学者介绍里的很多老师都参与不同章节的撰写

• 🌟 数学之美 by 吴军博士

  获益匪浅

• 🌟🌟 thunlp/GNNPapers

  清华大学 nlp 实验室(刘知远大神小组)整理的有关 图神经网络(GNN) 的重要论文。

• 🌟 Literature of Deep Learning for Graphs

  唐建老师小组收集 Deep Learning for Graphs， 可按主题和会议分别筛选

• Graph-based deep learning literature

  按照会议收集的图相关论文

• Graph Adversarial Learning Literature

  图结构数据的对抗攻击和防御论文收集

• awesome-self-supervised-gnn

  self-supervised learning on Graph Neural Networks

• snap-stanford/ogb

  Snap Open Graph Benchmark ： Benchmark datasets, data loaders, and evaluators for graph machine learning

• GraphVite

  graph embedding at high speed and large scale: node embedding, knowledge graph embedding and graph & high-dimensional data visualization ( works on any Linux distribution with CUDA >= 9.2.)

• 🌟🌟 pytorch_geometric

  基于 Pytorch 实现的 geometric deep learning models： deep learning on graphs and other irregular structures. 包含 node2vec， GCN GAT，GraphSAGE，JK-Net， GIN 等经典模型， 也有最新的 Dropedge， GraphSAINT 等模型。 (ps: macos 目前只支持 cpu)

• PyTorch Geometric Temporal

  A temporal (dynamic) extension library for PyTorch Geometric. Temporal graph neural networks ： Recurrent Graph Convolutions，Temporal Graph Convolutions， Auxiliary Graph Convolutions.

• PyTorch Geometric Signed Directed

  A signed and directed extension library for PyTorch Geometric. The library consists of various signed and directed geometric deep learning, embedding, and clustering methods from a variety of published research papers and selected preprints.

• Python Graph Outlier Detection

  PyGOD includes more than 10 latest graph-based detection algorithms, such as DOMINANT (SDM'19) and GUIDE (BigData'21). For consistently and accessibility, PyGOD is developed on top of PyTorch Geometric (PyG) and PyTorch, and follows the API design of PyOD. See examples below for detecting outliers with PyGOD in 5 lines.

• 🌟 Deep Graph Library

  DGL is an easy-to-use, high performance and scalable Python package for deep learning on graphs. DGL is framework agnostic, meaning if a deep graph model is a component of an end-to-end application, the rest of the logics can be implemented in any major frameworks, such as PyTorch, Apache MXNet or TensorFlow.

• 🌟 Spektral

  Spektral is a Python library for graph deep learning, based on the Keras API and TensorFlow 2. The main goal of this project is to provide a simple but flexible framework for creating graph neural networks (GNNs).

• 🌟 thuDM/cogdl

  CogDL is a graph deep learning toolkit that allows researchers and developers to easily train and compare baseline or customized models for node classification, graph classification, and other important tasks in the graph domain. (Tsinghua University)

• BUPTDM-OpenHINE / BUPTDM-OpenHGNN / Space4HGNN

  This is an open-source toolkit for Heterogeneous Graph Neural Network(OpenHGNN) based on DGL [Deep Graph Library] and PyTorch. We integrate SOTA models of heterogeneous graph. (Beijing University of Posts and Telecommunications)

• 🌟 深度学习与图网络(AIGraph) : 图网络最近顶会动态

• 北邮 GAMMA Lab(BUPT_GAMMA) : 北邮图数据挖掘与机器学习实验室, 石川老师小组

• ACTBIGDATA : 北航计算机学院 李建欣(Jianxin Li)老师小组

• GEAR图学习(SYSU-GL) : 中山大学 郑子彬教授 InplusLab 小组

• MIRA Lab: 中科大 王杰老师 MIRA 小组

• 🌟 图与推荐(GraphRec): 北邮纪厚业博士， GAMMA Lab博士生， 代表作 HAN

• AI in Graph : 图在生物信息中的应用

• 复杂网络(ComplexNetworks) : 不定期分享一些网络研究工具和书籍

• 开放知识图谱(OpenKG) : 有关知识图谱的论文分享

• 人工智能前沿讲习(AIFrontier) : 论文解读分享

• telegram : Graph Machine Learning : 每天更新有关图机器学习的 paper 会议以及相关内容， 很不错.

• 🌟 Thomas Kipf 个人主页

• 🌟 唐杰 Jie Tang 老师个人主页

• Michaël Defferrard 个人主页

• 周涛老师 科学网博客

• 🌟🌟 Michael Bronstein Head of Graph ML Research @Twitter

• 🌟集智学园： 不定期的进行复杂网络相关论文解读，还不错

• 人工智能前沿讲习 : 有部分图神经网络研究分享

• 伯禹人工智能学院 : 上海交大研究生论文解读分享，短小精悍

• Adv-soul : 图理论，图算法相关英文课程搬运

• 北京智源 ： 人工智能前沿 ： 刘知远，唐杰， 沈华伟等大佬都在。

有关图表征和图神经网络的 workshop

• Geometric and Relational Deep Learning --- ELLIS 2020 --- Kipf , Max Welling et al.

• Learning Graph Neural Networks with Deep Graph Library --- WWW 2020 --- George Karypis et al.

• Representation Learning on Graphs and Manifolds --- ICLR 2019 --- Le Song, Jure Leskovec et al.

• The First International Workshop on Deep Learning on Graphs --- KDD 2019 --- Jure Leskovec, Yizhou Sun et al.

• The Second International Workshop on Deep Learning on Graphs --- KDD 2020 --- Jure Leskovec, Jian Tang et al.

• The First International Workshop on Deep Learning on Graphs: Methodologies and Applications (DLGMA’20) --- AAAI 2020 --- Jure Leskovec, William L. Hamilton et al.

个人看完觉得很有收获的几个 tutorial ：

• 🌟 jure 大佬对组内相关工作的介绍报告：

  • 1. Advancements in GNN : GraphSAGE + DiffPool + Knowledge Graph + Pinterest

  • 2. Advancements in GNN : PGNNs + Pretraining + OGB

  • 3. Deep Generative Models for Graphs: Methods and Applications

  • 4. How Powerful are Graph Neural Network : GIN

• 🌟 Kipf 有关 GCN 的介绍

  很清晰， PPT 很好看

• Kipf 博士毕业论文

  相关 GCN 主要工作总结梳理

• Petar Veličković: Theoretical Foundations of GNNs by Petar Veličković, DeepMind

  GAT 作者. 介绍很深入， Petar 做的图一向很好看

• Graph Neural Networks by Xavier Bresson 南洋理工大学

  GCN 谱分析相关介绍很详细

• Graph Convolutional Neural Networks by 沈华伟 中科院计算所

  信号处理角度看 GCN， 脉络清晰

• 其他有关 GNN 报告 PPT 文件汇总

• 🌟 Understanding Convolutions on Graphs

  交互式深入讲解图卷积，深入清晰

GCN 基本模型实现代码, 用到的数据集在这里

• 基于 Numpy 实现 GCN 基本结构

• 基于 Keras 实现 GCN (kipf 代码解析)

• 基于 Tensorflow 实现 GCN (kipf 代码解析)

• 基于 Pytorch 实现 GCN (kipf 代码解析)

• 基于 Keras 实现 GraphSAGE

• 基于 pytorch 实现 GraphSAGE (William L Hamilton 代码解析)

用到的数据在这里

• 使用 NetworkX 创建一个简单的网络

• Gephi 使用简单介绍

• 社会网络简单理解

• 用 NetworkX 更高级的创建网络

• 网络基本分析和度量

• 链路预测_问题抽象描述

• 链路预测_数据集划分

• 链路预测_评价指标

• 🌟🌟 Stanford Large Network Dataset Collection

  斯坦福大学复杂网络小组收集整理

  

• 🌟🌟 KONECT

  KONECT currently holds 261 networks,

  

• 🌟 Datasets Released for Reproducibility

  comunelab 小组整理，主要为 社会网络和基因网络

  

• Software / Databases

  陈关荣教授课题组整理的数据集，和相关工具软件放在一起

• Pajek dataset

  Pajek 平台收集的各种类型的数据，

• NeuroMorpho

  NeuroMorpho.Org is the largest collection of publicly accessible 3D neuronal reconstructions and associated metadata.

• Gephi Datasets

  Gephi 提供的样本数据集

• YAHOO Webscope Program

  图和社会网络的相关数据集

• UC Irvine Network Data Repository

  社会网络相关数据集

• link-group

  生物网络相关数据集（基因，蛋白质，药物，疾病）

• ESYN

  创建一个基因调控网

• KONECT- Networks

  较多二分图网络的数据集

• 🌟 Networkx

  Python 语言开发的图论与复杂网络建模，支持创建简单无向图、有向图和多重图，内置许多标准图算法。

  安装容易， 社区活跃， 100，000 节点下表现可接受

  缺少可视化输出 （可视化结果不好看）

• iGraph

  高效，易于创建，操作，分析图的一个库， 支持 python， R， C 语言。 使用 C 语言的速度比使用 python 包分析速度快两个数量级。

  支持 社区检测， 有内置的搜索机制去定位边和节点

  支持较高质量的图片输出

  iGraph 运行速度是 NetworkX 的 10-50倍。（10w 节点以上的网络，networkX 不太适合）

  安装较为麻烦， 需要 C 编辑器。

• graph-tool

  整个库全部由 C / C++ 完成，加速运行

  支持 并行计算，多个子任务同时运行

  支持多种形式的图形输出

  内置很多图 统计分析工具， 社区检测， blockmodeling 算法

  安装和编译较为麻烦

• NetworKit

  支持并行计算

  和 NetworkX 兼容， 在 NeworkX 建立网络， 可以直接移植到 Networkit

• 🌟 Gephi

  GUI ，使用方便。 社区有很多插件，但是开发者好像不再更新 Gephi 了。

• GraphViz

  命令行工具，容易自动化，但是交互性较差

• iGraph

  C 编译，有 python 库。 但是 Python 的 API 看起来有点乱(难受)。

• LargeVis

  前面提到的唐建大佬的工作(相关paper)。 处理超大规模的数据(百万量级)，命令行工具，速度快，占用内存少。

• Graphistry

  GUI 好看，出图较炫。 但是按小时付费，功能不全，节点有限制。

• Network 3D

  Mac os 上 网络三维可视化工具， 目前是 beta 版，还有些功能没有实现

• pajek

  mac 和 linux 大型网络可视化， 完整中文教程，和相关的试验数据集

• cytoscape

  开源的可视化软件

  • ipycytoscape在 Jupyter 实现交互式图可视化

• Ployly

  基于 dash 库 pip install dash dash-cytoscape，感觉稍微有点麻烦而且不提供对 notebook 的支持。

• PyEcharts

  百度开源的图表可视化项目, 不可以随意拖动节点。

• 🌟 AnyChart

  节点和边的形状、标签信息可以高度定制化，而且节点可以任意拖动，可以基于 Java、Scala、JavaScript、Python等语言使用。虽然 AnyChart 支持 Python，但是需要配合 Django、MySQL 一起使用就有点复杂，这个库比较适合中大型项目的图展示

• PyVis

  可交互的图可视化库, 提供了基本的节点显示和操作，可以有不同的布局.

• http://blog.sciencenet.cn/blog-583335-477254.html

• http://www.ee.cityu.edu.hk/~gchen/ComplexNetworks/PersonalWebsites.html

• https://towardsdatascience.com/large-graph-visualization-tools-and-approaches-2b8758a1cd59

• 可视化工具: https://mp.weixin.qq.com/s/Inf-04E_NWSH-vxeROPPgQ

• 社会网络研究学者: https://www.zhihu.com/question/26348052/answer/1020041417

• 复杂性科学、网络科学、计算社会科学研究机构推介: https://mp.weixin.qq.com/s/R-V4UevsNMKr5tsmWbQDMA

• 《Complex Network Analysis in Python》 Dmitry Zinoviev.

• 《链路预测》吕琳媛 周涛