#图神经网络
dgl
DGL是一个高效易用的Python包，支持在图上执行深度学习。兼容PyTorch、Apache MXNet和TensorFlow等多种框架，提供GPU加速的图库、丰富的GNN模型示例、全面的教学材料及优化的分布式训练功能。适合从研究人员到行业专家的各类用户。广泛应用于学术及实践领域，无论是基础教学还是高级图分析，DGL均能有效支持。
gnn
TensorFlow GNN是一个用于TensorFlow平台的图神经网络库，支持异构和同构图。它提供了GraphTensor类型来表示多类型节点和边，数据准备工具以及高效的图采样器。库中包含可直接使用的模型和Keras层，提供高层次的训练API。TF-GNN广泛应用于各种图挖掘任务，用户可在Google Colab上无需安装直接运行示例。它兼容TensorFlow 2.12及以上版本和相关GPU驱动，主要在Linux环境测试。
graph-learn
Graph-Learn是一款分布式框架，专为开发和应用大规模图神经网络（GNN）而设计，已成功应用于阿里巴巴的搜索推荐、网络安全和知识图谱等场景。框架包括GraphLearn-Training和Dynamic-Graph-Service模块，支持批量图采样、在线推理及流图更新功能，兼容PyTorch和TensorFlow，提供完整的GNN模型开发解决方案。
spektral
Spektral是一个基于Keras API和TensorFlow 2的Python库，专为图神经网络（GNN）提供简单灵活的框架。该库适用于社交网络用户分类、分子性质预测、图生成、节点聚类和链接预测等任务。Spektral包含多种流行的图深度学习层，如GCN、Chebyshev、GraphSAGE、GAT等，并提供丰富的图操作工具。最新版1.0引入了新数据集、新容器、Loader类和transforms模块，简化了数据处理和模型训练。更多信息请参阅官方文档和示例。
awesome-self-supervised-gnn
本仓库收录了自监督学习在图神经网络（GNNs）领域的研究论文，按年份进行分类。我们会定期更新，若发现错误或遗漏，欢迎通过issue或pull request反馈。热门论文以火焰符号标注。
Awesome-Graph-LLM
Awesome-Graph-LLM项目汇集图相关大语言模型(Graph-LLM)领域的前沿研究成果和资源。内容涵盖数据集、基准测试、综述文章,以及图推理、节点分类、图分类等应用。项目还收录图提示、通用图模型和多模态模型等新兴方向的相关工作,为Graph-LLM研究提供全面参考。
Awesome-Deep-Graph-Clustering
ADGC项目汇集了最新深度图聚类研究成果,包括重构性、对比性和生成性等多种方法的论文、代码和数据集。此外还收录了重要的综述文献,为研究人员提供了全面的深度图聚类资源和最新进展。
grape-book
本教程基于京东团队、密西根州立大学和斯坦福大学CS224W课程内容，提供图深度学习从入门到应用的全面指导。涵盖图理论基础、深度学习基础、经典图神经网络模型，并结合NetworkX、DGL和PyG框架的实践代码，助力读者系统掌握图深度学习知识。
pytorch_geometric
PyTorch Geometric是一个基于PyTorch的图形神经网络库，旨在简化结构化数据的建模与训练流程。支持小批量和大规模图的处理，并提供全面的GPU加速、数据管道处理以及常用基准数据集。这使得它成为机器学习研究者和初学者理想的选择。