图(Graph)广泛存在于真实世界的多种场景中，是一个常见的数据结构。如社交网络中人与人之间的联系、生物中蛋白质相互作用以及通信网络中的IP地址通信等，甚至规则网络结构数据(如图像、视频)也是图数据的一种特殊形式。

随着数据多样性的发展，图计算已经成为业界的一个重要研究方向。如大规模图搜索、图数据的代表节点评价、图数据的社区划分、图数据的向量嵌入。基于图的推荐、节点预测、关系预测等实际应用需求的提出，这也进一步突出图算法的重要性。知识图谱本质上也是一种图结构，在图内部数据规模大且质量高、外部算力足够的情况下，充分利用好图算法，能够最大程度地发挥出其数据价值。基于此，笔者就图基础知识进行梳理，形成本文。文章具体框架如下:

一、图概念及应用场景

  1.1图概念

  1.2图应用场景

二、几种常用的图算法

  2.1图的路径搜索

  2.2图的中心性计算

  2.3图的社群发现

三、简析图嵌入表示学习

   3.1图嵌入表示学习

   3.2典型算法：Node2Vec

四、入门图神经网络

  4.1图卷积神经网络GCN‍

  4.2GraphSAGE

  4.3图注意力机制GAT

  4.4变分图自编码器VGAE

  4.5异质图注意力网络HAN

五、图数据库及算法工具

  5.1常用图数据库

  5.2常用图算法工具

六、项目实战

  6.1 使用Neo4j搭建知识图谱

  6.2 基于PyTorch Geometric实现GAT算法

具体详见原文地址：一篇适合新手的图基础知识