近年来，人们对图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。图神经网络广泛应用在社交分析、推荐系统、交通运输等领域，并显示出强大的处理能力。下面我给大家收集了一些不错的图神经网络面试题，欢迎大家的关注，同时也欢迎大家提供更多的面试题。
1、GCN的原理是什么？
答：类似于图片的卷积操作，GCN的卷积作用是将邻居节点的特征汇总到自身节点。
2、如何汇总不同权重的邻居节点的特征？
答：通过度矩阵来实现。
3、关于GCN的层数，是不是层数越多越好呢？
答：一般来说2~3层比较好，再深了就要借助残差连接的思想了。
4、如果图的边有不同的类型怎么办？
答：可以考虑R-GCN。
5、如果图的数据量非常大，很容易撑爆服务器，这个时候该怎么办？
答：可以考虑图的采样算法，例如 GraphSAGE。
6、GCN的缺点是什么？
答：
（1）GCN需要将整个图放到内存和显存，这将非常耗内存和显存，处理不了大图；
（2）GCN在训练时需要知道整个图的结构信息，包括待预测的节点。
7、GraphSAGE的优点是什么？
答：
（1）利用采样机制，很好的解决了GCN必须要知道全部图的信息问题，克服了GCN训练时内存和显存的限制，即使对于未知的新节点，也能得到其表示
（2）聚合器和权重矩阵的参数对于所有的节点是共享的
（3）模型的参数的数量与图的节点个数无关，这使得GraphSAGE能够处理更大的图
（4）既能处理有监督任务也能处理无监督任务
8、GAT的优点是什么？
答：
（1）训练GAT无需了解整个图结构，只需知道每个节点的邻居节点即可
（2）计算速度快，可以在不同的节点上进行并行计算
（3）既可以用于Transductive Learning，又可以用于Inductive Learning，可以对未见过的图结构进行处理
9、常用的图神经库有哪些？说出它们的优缺点。
答：有两个库是最热门的: Deep Graph Library (DGL) 和 PyTorch Geometric (PyG)
