GNNPapers：图神经网络领域的必读论文宝库

想象一下，你刚刚踏入图神经网络（GNN）这个充满挑战的领域，满怀热情地想要跟上最新的研究进展，却发现自己面对的是每年数万篇论文的汪洋大海——哪些是奠基之作，哪些是里程碑突破，哪些方法在实际场景中真正有效？GNNPapers 正是为解决这一困境而生。

诞生背景：清华 NLP 实验室的学术积累

GNNPapers 由**清华大学自然语言处理实验室（THUNLP）**的 Jie Zhou、Ganqu Cui、Zhengyan Zhang、Yushi Bai 等学者维护。该实验室是国内NLP领域的顶尖研究团队，由刘知远教授领导，在图神经网络、知识图谱、预训练模型等方向均有深厚积累。

该仓库创建于 2018 年 12 月，正值 GNN 研究爆发的关键节点。彼时，GCN、GAT、GraphSAGE 等经典模型陆续发表，整个领域亟需一份系统性的学术导航。作为清华 NLP 实验室的内部研究工具，这个论文列表迅速在学术圈传播开来，成为 GNN 入门者和进阶研究者的案头必备。

图1：THUNLP 实验室徽标

内容体系：覆盖 GNN 全景的分类导航

GNNPapers 不是简单的论文堆砌，而是一套精心组织的知识体系。仓库将 GNN 相关论文分为三大板块：

1. 综述论文（Survey Papers）

收录领域经典综述，帮助研究者快速建立全局视角。其中最具影响力的是刘知远、周杰等人发表的《Graph Neural Networks: A Review of Methods and Applications》（AI Open 2020），系统梳理了 GNN 的发展脉络。此外还包括 Zonghan Wu 等人的《A Comprehensive Survey on Graph Neural Networks》（arXiv 2019），以及 DeepMind 提出的《Relational Inductive Biases, Deep Learning, and Graph Networks》等重磅论文。

2. 模型架构（Models）

这是仓库的核心板块，细分为：

• 基础模型：GCN（Kipf & Welling 2017）、GAT（Velickovic et al. 2018）、GraphSAGE（Hamilton et al. 2017）、Message Passing Neural Network（Gilmer et al. 2017）等奠基之作
• 图类型扩展：处理异构图、动态图、超图的专门方法
• 池化方法：DiffPool、MinCutPool 等图粗化技术
• 可解释性：GNNExplainer、PGExplainer 等解释性工具
• 效率优化：简化版 GCN、GraphSAINT 采样等

3. 应用领域（Applications）

覆盖 16+ 个实际应用方向，包括：物理模拟、化学与生物（分子图、蛋白质结构）、知识图谱、推荐系统、计算机视觉（点云、场景图）、自然语言处理（依存句法、关系抽取）、组合优化、强化学习、交通网络、程序表示、社交网络、图匹配等。每个方向均收录了该领域最具代表性的论文，按时间线排列。

技术特色：学术导航的设计哲学

与arXiv 论文页面不同，GNNPapers 体现了人工精选而非机器推荐的学术判断：

精选质量：每篇收录的论文都经过维护者的人工筛选，确保是领域内公认的重要工作。避免了一般推荐系统偏向热度的「马太效应」。

分类导航：不同于按时间排序的论文订阅，GNNPapers 通过多级分类目录（Survey → Models → Applications）让研究者可以按图索骥，快速定位感兴趣的方向。

引用标注：每篇论文均标注了发表 venues 和作者信息，便于追溯原始工作。顶级会议/期刊论文（如 NeurIPS、ICML、CVPR）一目了然。

持续更新：尽管最后 push 时间为 2023 年底，但仓库至今仍被维护者偶尔更新issue（15个 open issues），社区活跃度不减。

使用方式：零门槛的学术资源

GNNPapers 本质上是一个纯阅读型 GitHub 仓库，使用门槛极低：

• 无需安装任何软件，直接在 GitHub 页面浏览
• 无需 GPU 或高性能硬件，纯静态 Markdown 文件
• 可通过 Git 克隆到本地，用 VS Code 或任意 Markdown 阅读器离线查看
• 支持 Star 和 Fork，便于在个人 GitHub 中跟踪

对于想深入某个 GNN 子领域的研究者，建议按分类目录逐步阅读基础模型论文，再进入对应应用分支精读。清华 NLP 实验室同期维护的《Introduction to Graph Neural Networks》书籍（Morgan & Claypool 2020）可作为配套教材。

局限与注意事项

GNNPapers 作为学术资源有几项值得注意的局限：

非代码仓库：收录的是论文列表，不提供模型实现代码。如需复现，需查找对应论文的官方代码库。

时效性：作为手工维护的列表，无法做到实时更新。部分 2023 年后的最新进展可能尚未收录。

内容深度：列表仅提供论文标题和引用信息，不包含摘要或简评。对于判断论文是否值得深入阅读，需要结合 Semantic Scholar 或 arXiv 摘要辅助判断。

行业意义与影响

GNNPapers 累计获得 16,780 个 Star、3,015 次 Fork，在 GitHub 所有仓库中属于顶尖影响力的学术类项目。它代表了一种学术知识众包的模式——由领域专家维护，经过时间检验后形成行业共识。

从增长曲线看，Star 数量随 GNN 领域热度同步增长，2019-2021 年是增速最快的阶段，恰好对应 GNN 在推荐、知识图谱、药物发现等领域大规模落地的时期。该仓库的成功也催生了类似的学术列表生态，如 THUNLP 维护的其他论文列表（NLP Papers、Knowledge Graph Papers 等）均借鉴了这一模式。

对于 AI 爱好者和开发者而言，GNNPapers 是了解图神经网络领域不可替代的第一入口；对于 AI 研究者，它是保持领域敏感度、避免重复造轮子的高效工具。无论你是想入门 GNN、追踪前沿进展还是寻找研究方向，这个仓库都值得收藏。