人工智能的下一个爆发期

在 2019 年，图领域出现了不少新的开源项目，一些已有的开源项目也有较大的改善。

1 月，阿里妈妈开源了国内首个支持工业级图深度学习的框架 Euler，内置很多实用的图算法。项目地址：

https://github.com/alibaba/euler

3 月，德国多特蒙德工业大学的学者们提出了 Pytorch Geometric ，实现了诸多 GNN 的变体模型，上线之后获得了大佬 Yann LeCun 的推荐。项目地址：

https://github.com/rusty1s/pytorch_geometric

5 月，著名图学习框架 DGL 发布 v0.3 版本（目前已经更新至 0.4.1 版本，也补齐了很多 GNN 的变体模型），0.3 版本在性能上有了非常显著的提升，相比 0.2 版本训练速度提高了 19 倍，同时支持亿级规模的图神经网络训练。项目地址：

https://github.com/dmlc/dgl

12 月，斯坦福大学的 Jure Leskovec 教授在 NeurlPS 2019 大会演讲中宣布开源 Open Graph Benchmark，通过这一数据集可以更好地评估模型性能等方面的指标。项目地址：

http://ogb.stanford.edu

同月，清华大学知识工程研究室（KEG）推出了大规模图表示学习工具包 CogDL，可以让研究者和开发者更加方便地训练和对比用于节点分类、链路预测以及其他图任务的基准或定制模型。项目地址：

https://github.com/THUDM/cogdl/

除了上述的项目，GitHub 上图相关的两个论文项目也很不错，总结了近年来各大顶会所有相关论文，收录非常及时全面，推荐大家关注：

https://github.com/naganandy/graph-based-deep-learning-literature

https://github.com/DeepGraphLearning/LiteratureDL4Graph