近年来，在图表示学习方面有很多活动。图表示学习的目的是生成图表示向量，以精确地表示巨型图的结构和特征。这一点至关重要，因为图表示向量的有效性将影响它们在异常检测、连接预测和节点分类等后续任务中的表现。最近，对于基于数据的图形问题，其他深度学习突破的使用有所增加。基于图形的学习环境有一种方法分类，本研究回顾了它们的所有学习设置。对学习问题进行了理论和实证研究。本研究简要介绍和总结了图神经网络体系结构搜索（G-NAS），概述了几种图神经网络的缺点，并提出了一些缓解这些挑战的策略。最后，本研究讨论了几个有待探索的潜在未来研究途径。
