相对于传统神经网络，图神经网络有着非常明显的优势：非顺序排序的特征学习、两个节点之间依赖关系的学习、非结构化数据上的推理能力。

因此，图神经网络在多个领域的复杂关系建模和互动系统中起到关键作用，这些领域包括生物学、地图、金融、搜索、推荐、高能物理学、社会科学和经济学等。

就像计算机视觉领域有ImageNet，图神经网络领域也有自己的“ImageNet”，也就是由斯坦福大学图神经网络权威Jure Leskovec教授团队建立的大规模图学习任务的评测基准数据集OGB（Open Graph Benchmark），Yoshua Bengio、Will Hamilton、Max Welling等大牛还是构建该数据集的指导委员会成员。

OGB在NeurlPS 2019大会的演讲中正式开源，它是目前公认最权威的图学习相关基准测试数据集。针对不同的图学习任务，比如节点性质、边性质、图性质的预测等，OGB都分别提供了相应的数据集，比如亚马逊产品购买网络、学者合作网络、学术引用网络、分子图等等。斯坦福、纽约大学、康奈尔大学、华盛顿大学、Facebook等在内的多个机构都非常积极地在排行榜上竞争。

OGB一共包含三大类任务：节点性质预测、边性质预测、图性质预测，每种任务中又分别使用了不同的数据集，其中节点性质预测有5个数据集，边性质预测有6个数据集，图性质预测有4个数据集。加起来后，一共是15个数据集，也就对应着15个任务，和15个排行榜，排行榜信息涉及方法、测试得分、验证得分、论文、代码、参数量、硬件、提交时间等。