随着机器学习、深度学习研究的深入,越来越多的研究人员开始将工作重心转移到图结构数据学习的探索中,这主要是因为图结构数据是很多现实应用中天然的数据载体,例如社交网络、引文网络以及生物分子。这一研究热潮也导致了大量图学习模型的产生,例如图卷积神经网络、图注意力神经网络以及Graph SAGE。这些图神经网络也被广泛应用于各种实际应用中,例如节点分类、图分类以及网络对齐。虽然现有图学习方法在各类应用中取得了一定的成功,然而这些方法都是基于传统的机器学习范式,因此不可避免地继承了其固有的一些问题:1、泛化表现差。现有的图深度学习方法只能简单地推广到新的样本,即这些样本属于已经见过类别,无法将学到的知识推广到新的类别。我们希望图学习模型具有人类智能“举一反三”的能力;2、不具备少样本学习能力。现有方法的成功很大程度依赖于大量的标注数据,这存在两个问题:一个是获得足够的监督信息需要大量人力物力成本,此外我们期望图神经网络能够像人类一样从少量样本中快速获得知识;3、不具备学会学习的能力。在人类智能的学习过程中,学习新的概念都是基于过去学过的知识。因此可以利用之前学到的知识,来帮助快速学习新的任务,即学会学习。然而现有的大部分图结构数据学习方法都基于单一的、静态的任务,因此导致这些模型无法推广到需要学习多个任务的场景,也就无法学会学习;4、模型效率低。现有的大部分图学习方法要么基于在产生的大量随机游走上进行图表征学习,要么基于耗时的图拉普拉斯分解方法,因此不可避免地存在模型训练时间长的问题,这也导致这些模型方法无法应用到数据量较大的现实应用场景。在本文中,我们提出了Meta-GNN和Meta-NA来解决上述问题,其中Meta-GNN专注于少样本节点分类问题,在现有图数据上通过采样构建元训练任务,然后在这些任务上利用多阶梯度来学习一个良好的适合于少样本节点分类的模型初始化,这个初始化参数可以帮助模型快速学习新的少样本节点任务。Meta-NA则提出了一个网络对齐方法,其首次将网络对齐任务视为一个跨网络的少样本节点分类问题,然后利用图神经网络将多个图中的节点映射到同一个度量空间,通过约束属于同一用户的节点嵌入距离近,不同用户节点嵌入远来训练模型。最后,针对各自应用,我们在多个真实数据集上对所提出的方法进行实验分析,结果表明我们提出的两种方法的在各自应用上表现均优于其他对比基准方法。