haoji007
haoji007

2019-02-26-GCN资料

工具： https://github.com/dmlc/dgl

 

快速了解GCN（图卷积神经网络）

2018年11月27日 14:40:48 算法学习者 阅读数：786

如何理解 Graph Convolutional Network（GCN）？
https://www.zhihu.com/question/54504471
推荐初学者可以先从知乎的这个问题出发，点赞最多的《从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi）》
该篇文章非常详细且能够帮助初学者理解的讲述了GCN的大部分理论过程。再补充以后面几人回答的知识，便可以说对GCN有了基本
的理论支撑了。

主要论文：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
https://arxiv.org/pdf/1609.02907.pdf

Graph Convolutional Networks
https://tkipf.github.io/graph-convolutional-networks/
下面大多文章都是对该文的一个翻译加自己理解内容。

上篇英文版的中文版：深度学习新星 | 图卷积神经网络（GCN）有多强大？ 非常有助于理解 推荐阅读
https://www.sohu.com/a/234894712_741733
本文 GCN 项目仓库：https://github.com/tkipf/gcn

图卷积网络（Graph Convolutional Network）
https://blog.csdn.net/chensi1995/article/details/77232019

该篇文章主要介绍图卷积网络的卷及方式的理论推导过程

卷积神经网络不能处理“图”结构数据？这篇文章告诉你答案
https://www.leiphone.com/news/201706/ppA1Hr0M0fLqm7OP.html
该篇wen章比较浅显的介绍了如何处理图结构的卷积神经网络，可帮助理解

谱聚类（spectral clustering）原理总结
https://www.cnblogs.com/pinard/p/6221564.html
推荐看看，关于图处理和运算的理解很有帮助，还有拉普拉斯矩阵

Googlenet： TensorFlow实战：Chapter-5（CNN-3-经典卷积神经网络（GoogleNet）)
https://blog.csdn.net/u011974639/article/details/76460849#inception-v2

浅析图卷积神经网络 浅析有助于理解
https://mp.weixin.qq.com/s/356WvVn1Tz0axsKd8LJW4Q
《Graph Learning》专栏大纲
第一章 图及其应用场景
第二章 图的传播算法
第三章 社群检测以及高密子图
第四章 异构信息网络
第五章 图表示学习
第六章 图卷积神经网络

学界 | 港中文AAAI录用论文详解：ST-GCN时空图卷积网络模型
http://www.zuixu.com/dz/a/7080.html
最后可以看看 这篇文章 ST-GCN，也是论文翻译成果，英文很棒的可以直接看下面的文章
文章链接：
https://arxiv.org/abs/1801.07455
Github 代码：
https://github.com/yysijie/st-gcn

作者：ticktick3
来源：CSDN
原文：https://blog.csdn.net/u011537121/article/details/81542991
版权声明：本文为博主原创文章，转载请附上博文链接！

清华must read papers: https://github.com/HollyMeng/GNNPapers

Must-read papers on GNN

GNN: graph neural network

Contributed by Jie Zhou, Ganqu Cui and Zhengyan Zhang.

Survey papers

  1. Graph Neural Networks: A Review of Methods and Applications. Jie Zhou, Ganqu Cui, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Maosong Sun. 2018. paper

  2. A Comprehensive Survey on Graph Neural Networks. Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang, Philip S. Yu. 2019. paper

  3. Deep Learning on Graphs: A Survey. Ziwei Zhang, Peng Cui, Wenwu Zhu. 2018. paper

  4. Relational Inductive Biases, Deep Learning, and Graph Networks. Battaglia, Peter W and Hamrick, Jessica B and Bapst, Victor and Sanchez-Gonzalez, Alvaro and Zambaldi, Vinicius and Malinowski, Mateusz and Tacchetti, Andrea and Raposo, David and Santoro, Adam and Faulkner, Ryan and others. 2018. paper

  5. Geometric Deep Learning: Going beyond Euclidean data. Bronstein, Michael M and Bruna, Joan and LeCun, Yann and Szlam, Arthur and Vandergheynst, Pierre. IEEE SPM 2017. paper

  6. Computational Capabilities of Graph Neural Networks. Scarselli, Franco and Gori, Marco and Tsoi, Ah Chung and Hagenbuchner, Markus and Monfardini, Gabriele. IEEE TNN 2009. paper

  7. Neural Message Passing for Quantum Chemistry. Gilmer, Justin and Schoenholz, Samuel S and Riley, Patrick F and Vinyals, Oriol and Dahl, George E. 2017. paper

  8. Non-local Neural Networks. Wang, Xiaolong and Girshick, Ross and Gupta, Abhinav and He, Kaiming. CVPR 2018. paper

  9. The Graph Neural Network Model. Scarselli, Franco and Gori, Marco and Tsoi, Ah Chung and Hagenbuchner, Markus and Monfardini, Gabriele. IEEE TNN 2009. paper

Models

  1. A new model for learning in graph domains. Marco Gori, Gabriele Monfardini, Franco Scarselli. IJCNN 2005. paper

  2. Graph Neural Networks for Ranking Web Pages. Franco Scarselli, Sweah Liang Yong, Marco Gori, Markus Hagenbuchner, Ah Chung Tsoi, Marco Maggini. WI 2005. paper

  3. Gated Graph Sequence Neural Networks. Yujia Li, Daniel Tarlow, Marc Brockschmidt, Richard Zemel. ICLR 2016. paper

  4. Geometric deep learning on graphs and manifolds using mixture model cnns. Federico Monti, Davide Boscaini, Jonathan Masci, Emanuele Rodolà, Jan Svoboda, Michael M. Bronstein. CVPR 2017. paper

  5. Spectral Networks and Locally Connected Networks on Graphs. Joan Bruna, Wojciech Zaremba, Arthur Szlam, Yann LeCun. ICLR 2014. paper

  6. Deep Convolutional Networks on Graph-Structured Data. Mikael Henaff, Joan Bruna, Yann LeCun. 2015. paper

  7. Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering. Michaël Defferrard, Xavier Bresson, Pierre Vandergheynst. NIPS 2016. paper

  8. Learning Convolutional Neural Networks for Graphs. Mathias Niepert, Mohamed Ahmed, Konstantin Kutzkov. ICML 2016. paper

  9. Semi-Supervised Classification with Graph Convolutional Networks. Thomas N. Kipf, Max Welling. ICLR 2017. paper

  10. Graph Attention Networks. Petar Velickovic, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Lio, Yoshua Bengio. ICLR 2018. paper

  11. Deep Sets. Manzil Zaheer, Satwik Kottur, Siamak Ravanbakhsh, Barnabas Poczos, Ruslan Salakhutdinov, Alexander Smola.NIPS 2017. paper

  12. Graph Partition Neural Networks for Semi-Supervised Classification. Renjie Liao, Marc Brockschmidt, Daniel Tarlow, Alexander L. Gaunt, Raquel Urtasun, Richard Zemel. 2018. paper

  13. Covariant Compositional Networks For Learning Graphs. Risi Kondor, Hy Truong Son, Horace Pan, Brandon Anderson, Shubhendu Trivedi. 2018. paper

  14. Modeling Relational Data with Graph Convolutional Networks. Michael Schlichtkrull, Thomas N. Kipf, Peter Bloem, Rianne van den Berg, Ivan Titov, Max Welling. ESWC 2018. paper

  15. Stochastic Training of Graph Convolutional Networks with Variance Reduction. Jianfei Chen, Jun Zhu, Le Song. ICML 2018. paper

  16. Learning Steady-States of Iterative Algorithms over Graphs. Hanjun Dai, Zornitsa Kozareva, Bo Dai, Alex Smola, Le Song.ICML 2018. paper

  17. Deriving Neural Architectures from Sequence and Graph Kernels. Tao Lei, Wengong Jin, Regina Barzilay, Tommi Jaakkola.ICML 2017. paper

  18. Adaptive Graph Convolutional Neural Networks. Ruoyu Li, Sheng Wang, Feiyun Zhu, Junzhou Huang. AAAI 2018. paper

  19. Graph-to-Sequence Learning using Gated Graph Neural Networks. Daniel Beck, Gholamreza Haffari, Trevor Cohn. ACL 2018. paper

  20. Deeper Insights into Graph Convolutional Networks for Semi-Supervised Learning. Qimai Li, Zhichao Han, Xiao-Ming Wu. AAAI 2018. paper

  21. Graphical-Based Learning Environments for Pattern Recognition. Franco Scarselli, Ah Chung Tsoi, Marco Gori, Markus Hagenbuchner. SSPR/SPR 2004. paper

  22. A Comparison between Recursive Neural Networks and Graph Neural Networks. Vincenzo Di Massa, Gabriele Monfardini, Lorenzo Sarti, Franco Scarselli, Marco Maggini, Marco Gori.IJCNN 2006. paper

  23. Graph Neural Networks for Object Localization. Gabriele Monfardini, Vincenzo Di Massa, Franco Scarselli, Marco Gori. ECAI 2006. paper

  24. Knowledge-Guided Recurrent Neural Network Learning for Task-Oriented Action Prediction. Liang Lin, Lili Huang, Tianshui Chen, Yukang Gan, Hui Cheng. ICME 2017. paper

  25. Semantic Object Parsing with Graph LSTM. Xiaodan LiangXiaohui ShenJiashi FengLiang Lin, Shuicheng Yan. ECCV 2016. paper

  26. CelebrityNet: A Social Network Constructed from Large-Scale Online Celebrity Images. Li-Jia Li, David A. Shamma, Xiangnan Kong, Sina Jafarpour, Roelof Van Zwol, Xuanhui Wang.TOMM 2015. paper

  27. Inductive Representation Learning on Large Graphs. William L. Hamilton, Rex Ying, Jure Leskovec. NIPS 2017. paper

  28. Graph Classification using Structural Attention. John Boaz Lee, Ryan Rossi, Xiangnan Kong.KDD 18. paper

  29. Adversarial Attacks on Neural Networks for Graph Data. Daniel Zügner, Amir Akbarnejad, Stephan Günnemann. KDD 18. paper

  30. Large-Scale Learnable Graph Convolutional Networks. Hongyang Gao, Zhengyang Wang, Shuiwang Ji. KDD 18. paper

  31. Contextual Graph Markov Model: A Deep and Generative Approach to Graph Processing.Davide Bacciu, Federico Errica, Alessio Micheli. ICML 2018. paper

  32. Diffusion-Convolutional Neural Networks. James Atwood, Don Towsley. NIPS 2016. paper

  33. Neural networks for relational learning: an experimental comparison. Werner Uwents, Gabriele Monfardini, Hendrik Blockeel, Marco Gori, Franco Scarselli. Machine Learning 2011. paper

  34. FastGCN: Fast Learning with Graph Convolutional Networks via Importance Sampling. Jie Chen, Tengfei Ma, Cao Xiao.ICLR 2018. paper

  35. Adaptive Sampling Towards Fast Graph Representation Learning. Wenbing Huang, Tong Zhang, Yu Rong, Junzhou Huang.NeurIPS 2018. paper

  36. Structure-Aware Convolutional Neural Networks. Jianlong Chang, Jie Gu, Lingfeng Wang, Gaofeng Meng, Shiming Xiang, Chunhong Pan. NeurIPS 2018. paper

  37. Bayesian Semi-supervised Learning with Graph Gaussian Processes. Yin Cheng Ng, Nicolò Colombo, Ricardo Silva.NeurIPS 2018. paper

  38. Mean-field theory of graph neural networks in graph partitioning. Tatsuro Kawamoto, Masashi Tsubaki, Tomoyuki Obuchi. NeurIPS 2018. paper

  39. Hierarchical Graph Representation Learning with Differentiable Pooling. Zhitao Ying, Jiaxuan You, Christopher Morris, Xiang Ren, Will Hamilton, Jure Leskovec. NeurIPS 2018. paper

  40. How Powerful are Graph Neural Networks? Keyulu Xu, Weihua Hu, Jure Leskovec, Stefanie Jegelka. ICLR 2019. paper

  41. Graph Capsule Convolutional Neural Networks. Saurabh Verma, Zhi-Li Zhang. ICML 2018 Workshop. paper

  42. Capsule Graph Neural Network. Zhang Xinyi, Lihui Chen. ICLR 2019. paper

Applications

  1. Discovering objects and their relations from entangled scene representations. David Raposo, Adam Santoro, David Barrett, Razvan Pascanu, Timothy Lillicrap, Peter Battaglia. ICLR Workshop 2017. paper

  2. A simple neural network module for relational reasoning. Adam Santoro, David Raposo, David G.T. Barrett, Mateusz Malinowski, Razvan Pascanu, Peter Battaglia, Timothy Lillicrap.NIPS 2017. paper

  3. Attend, Infer, Repeat: Fast Scene Understanding with Generative Models. S. M. Ali Eslami, Nicolas Heess, Theophane Weber, Yuval Tassa, David Szepesvari, Koray Kavukcuoglu, Geoffrey E. Hinton. NIPS 2016. paper

  4. Beyond Categories: The Visual Memex Model for Reasoning About Object Relationships.Tomasz Malisiewicz, Alyosha Efros. NIPS 2009. paper

  5. Understanding Kin Relationships in a Photo. Siyu Xia, Ming Shao, Jiebo Luo, Yun Fu. TMM 2012. paper

  6. Graph-Structured Representations for Visual Question Answering. Damien Teney, Lingqiao Liu, Anton van den Hengel.CVPR 2017. paper

  7. Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition.Sijie Yan, Yuanjun Xiong, Dahua Lin. AAAI 2018. paper

  8. Few-Shot Learning with Graph Neural Networks. Victor Garcia, Joan Bruna. ICLR 2018. paper

  9. The More You Know: Using Knowledge Graphs for Image Classification. Kenneth Marino, Ruslan Salakhutdinov, Abhinav Gupta. CVPR 2017. paper

  10. Zero-shot Recognition via Semantic Embeddings and Knowledge Graphs. Xiaolong Wang, Yufei Ye, Abhinav Gupta. CVPR 2018. paper

  11. Rethinking Knowledge Graph Propagation for Zero-Shot Learning. Michael Kampffmeyer, Yinbo Chen, Xiaodan Liang, Hao Wang, Yujia Zhang, Eric P. Xing. 2018. paper

  12. Interaction Networks for Learning about Objects, Relations and Physics. Peter Battaglia, Razvan Pascanu, Matthew Lai, Danilo Rezende, Koray Kavukcuoglu. NIPS 2016. paper

  13. A Compositional Object-Based Approach to Learning Physical Dynamics. Michael B. Chang, Tomer Ullman, Antonio Torralba, Joshua B. Tenenbaum. ICLR 2017. paper

  14. Visual Interaction Networks: Learning a Physics Simulator from Vide.o Nicholas Watters, Andrea Tacchetti, Théophane Weber, Razvan Pascanu, Peter Battaglia, Daniel Zoran. NIPS 2017. paper

  15. Relational neural expectation maximization: Unsupervised discovery of objects and their interactions. Sjoerd van Steenkiste, Michael Chang, Klaus Greff, Jürgen Schmidhuber. ICLR 2018. paper

  16. Graph networks as learnable physics engines for inference and control. Alvaro Sanchez-Gonzalez, Nicolas Heess, Jost Tobias Springenberg, Josh Merel, Martin Riedmiller, Raia Hadsell, Peter Battaglia. ICML 2018. paper

  17. Learning Multiagent Communication with Backpropagation. Sainbayar Sukhbaatar, Arthur Szlam, Rob Fergus. NIPS 2016. paper

  18. VAIN: Attentional Multi-agent Predictive Modeling. Yedid Hoshen. NIPS 2017 paper

  19. Neural Relational Inference for Interacting Systems. Thomas Kipf, Ethan Fetaya, Kuan-Chieh Wang, Max Welling, Richard Zemel. ICML 2018. paper

  20. Translating Embeddings for Modeling Multi-relational Data. Antoine Bordes, Nicolas Usunier, Alberto Garcia-Duran, Jason Weston, Oksana Yakhnenko. NIPS 2013. paper

  21. Representation learning for visual-relational knowledge graphs. Daniel Oñoro-Rubio, Mathias Niepert, Alberto García-Durán, Roberto González, Roberto J. López-Sastre. 2017. paper

  22. Knowledge Transfer for Out-of-Knowledge-Base Entities : A Graph Neural Network Approach. Takuo Hamaguchi, Hidekazu Oiwa, Masashi Shimbo, Yuji Matsumoto. IJCAI 2017. paper

  23. Representation Learning on Graphs with Jumping Knowledge Networks. Keyulu Xu, Chengtao Li, Yonglong Tian, Tomohiro Sonobe, Ken-ichi Kawarabayashi, Stefanie Jegelka.ICML 2018. paper

  24. Multi-Label Zero-Shot Learning with Structured Knowledge Graphs. Chung-Wei Lee, Wei Fang, Chih-Kuan Yeh, Yu-Chiang Frank Wang. CVPR 2018. paper

  25. Dynamic Graph Generation Network: Generating Relational Knowledge from Diagrams.Daesik Kim, Youngjoon Yoo, Jeesoo Kim, Sangkuk Lee, Nojun Kwak. CVPR 2018. paper

  26. Deep Reasoning with Knowledge Graph for Social Relationship Understanding. Zhouxia Wang, Tianshui Chen, Jimmy Ren, Weihao Yu, Hui Cheng, Liang Lin. IJCAI 2018. paper

  27. Constructing Narrative Event Evolutionary Graph for Script Event Prediction. Zhongyang Li, Xiao Ding, Ting Liu. IJCAI 2018. paper

  28. Modeling Semantics with Gated Graph Neural Networks for Knowledge Base Question Answering. Daniil Sorokin, Iryna Gurevych. COLING 2018. paper

  29. Convolutional networks on graphs for learning molecular fingerprints. David Duvenaud, Dougal Maclaurin, Jorge Aguilera-Iparraguirre, Rafael Gómez-Bombarelli, Timothy Hirzel, Alán Aspuru-Guzik, Ryan P. Adams. NIPS 2015. paper

  30. Molecular Graph Convolutions: Moving Beyond Fingerprints. Steven Kearnes, Kevin McCloskey, Marc Berndl, Vijay Pande, Patrick Riley. Journal of computer-aided molecular design 2016. paper

  31. Protein Interface Prediction using Graph Convolutional Networks. Alex Fout, Jonathon Byrd, Basir Shariat, Asa Ben-Hur.NIPS 2017. paper

  32. Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting. Zhiyong Cui, Kristian Henrickson, Ruimin Ke, Yinhai Wang. 2018. paper

  33. Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting. Bing Yu, Haoteng Yin, Zhanxing Zhu. IJCAI 2018. paper

  34. Semi-supervised User Geolocation via Graph Convolutional Networks. Afshin Rahimi, Trevor Cohn, Timothy Baldwin. ACL 2018. paper

  35. Dynamic Graph CNN for Learning on Point Clouds. Yue Wang, Yongbin Sun, Ziwei Liu, Sanjay E. Sarma, Michael M. Bronstein, Justin M. Solomon. CVPR 2018. paper

  36. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. Charles R. Qi, Hao Su, Kaichun Mo, Leonidas J. Guibas. CVPR 2018. paper

  37. 3D Graph Neural Networks for RGBD Semantic Segmentation. Xiaojuan Qi, Renjie Liao, Jiaya Jia, Sanja Fidler, Raquel Urtasun. CVPR 2017. paper

  38. Iterative Visual Reasoning Beyond Convolutions. Xinlei Chen, Li-Jia Li, Li Fei-Fei, Abhinav Gupta. CVPR 2018. paper

  39. Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs. Martin Simonovsky, Nikos Komodakis.CVPR 2017. paper

  40. Situation Recognition with Graph Neural Networks. Ruiyu Li, Makarand Tapaswi, Renjie Liao, Jiaya Jia, Raquel Urtasun, Sanja Fidler. ICCV 2017. paper

  41. Conversation Modeling on Reddit using a Graph-Structured LSTM. Vicky Zayats, Mari Ostendorf. TACL 2018. paper

  42. Graph Convolutional Networks for Text Classification. Liang Yao, Chengsheng Mao, Yuan Luo. AAAI 2019. paper

  43. Attention Is All You Need. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin. NIPS 2017. paper

  44. Self-Attention with Relative Position Representations. Peter Shaw, Jakob Uszkoreit, Ashish Vaswani. NAACL 2018. paper

  45. Hyperbolic Attention Networks. Caglar Gulcehre, Misha Denil, Mateusz Malinowski, Ali Razavi, Razvan Pascanu, Karl Moritz Hermann, Peter Battaglia, Victor Bapst, David Raposo, Adam Santoro, Nando de Freitas 2018. paper

  46. Effective Approaches to Attention-based Neural Machine Translation. Minh-Thang Luong, Hieu Pham, Christopher D. Manning. EMNLP 2015. paper

  47. Graph Convolutional Encoders for Syntax-aware Neural Machine Translation. Joost Bastings, Ivan Titov, Wilker Aziz, Diego Marcheggiani, Khalil Sima'an. EMNLP 2017. paper

  48. NerveNet: Learning Structured Policy with Graph Neural Networks. Tingwu Wang, Renjie Liao, Jimmy Ba, Sanja Fidler.ICLR 2018. paper

  49. Metacontrol for Adaptive Imagination-Based Optimization. Jessica B. Hamrick, Andrew J. Ballard, Razvan Pascanu, Oriol Vinyals, Nicolas Heess, Peter W. Battaglia. ICLR 2017. paper

  50. Learning model-based planning from scratch. Razvan Pascanu, Yujia Li, Oriol Vinyals, Nicolas Heess, Lars Buesing, Sebastien Racanière, David Reichert, Théophane Weber, Daan Wierstra, Peter Battaglia. 2017. paper

  51. Structured Dialogue Policy with Graph Neural Networks. Lu Chen, Bowen Tan, Sishan Long and Kai Yu. ICCL 2018. paper

  52. Relational inductive bias for physical construction in humans and machines. Jessica B. Hamrick, Kelsey R. Allen, Victor Bapst, Tina Zhu, Kevin R. McKee, Joshua B. Tenenbaum, Peter W. Battaglia. CogSci 2018. paper

  53. Relational Deep Reinforcement Learning. Vinicius Zambaldi, David Raposo, Adam Santoro, Victor Bapst, Yujia Li, Igor Babuschkin, Karl Tuyls, David Reichert, Timothy Lillicrap, Edward Lockhart, Murray Shanahan, Victoria Langston, Razvan Pascanu, Matthew Botvinick, Oriol Vinyals, Peter Battaglia. 2018. paper

  54. Action Schema Networks: Generalised Policies with Deep Learning. Sam Toyer, Felipe Trevizan, Sylvie Thiébaux, Lexing Xie. AAAI 2018. paper

  55. Neural Combinatorial Optimization with Reinforcement Learning. Irwan Bello, Hieu Pham, Quoc V. Le, Mohammad Norouzi, Samy Bengio. 2016. paper

  56. A Note on Learning Algorithms for Quadratic Assignment with Graph Neural Networks.Alex Nowak, Soledad Villar, Afonso S. Bandeira, Joan Bruna. PADL 2017. paper

  57. Learning Combinatorial Optimization Algorithms over Graphs. Hanjun Dai, Elias B. Khalil, Yuyu Zhang, Bistra Dilkina, Le Song. NIPS 2017. paper

  58. Attention Solves Your TSP, Approximately. Wouter Kool, Herke van Hoof, Max Welling. 2018. paper

  59. Learning a SAT Solver from Single-Bit Supervision. Daniel Selsam, Matthew Lamm, Benedikt Bünz, Percy Liang, Leonardo de Moura, David L. Dill. 2018. paper

  60. Learning to Represent Programs with Graphs. Miltiadis Allamanis, Marc Brockschmidt, Mahmoud Khademi. ICLR 2018. paper

  61. Learning Graphical State Transitions. Daniel D. Johnson. ICLR 2017. paper

  62. Inference in Probabilistic Graphical Models by Graph Neural Networks. KiJung Yoon, Renjie Liao, Yuwen Xiong, Lisa Zhang, Ethan Fetaya, Raquel Urtasun, Richard Zemel, Xaq Pitkow. ICLR Workshop 2018. paper

  63. Learning deep generative models of graphs. Yujia Li, Oriol Vinyals, Chris Dyer, Razvan Pascanu, Peter Battaglia. ICLR Workshop 2018. paper

  64. MolGAN: An implicit generative model for small molecular graphs. Nicola De Cao, Thomas Kipf. 2018. paper

  65. GraphRNN: Generating Realistic Graphs with Deep Auto-regressive Models. Jiaxuan You, Rex Ying, Xiang Ren, William L. Hamilton, Jure Leskovec. ICML 2018. paper

  66. NetGAN: Generating Graphs via Random Walks. Aleksandar Bojchevski, Oleksandr Shchur, Daniel Zügner, Stephan Günnemann. ICML 2018. paper

  67. Adversarial Attack on Graph Structured Data. Hanjun Dai, Hui Li, Tian Tian, Xin Huang, Lin Wang, Jun Zhu, Le Song. ICML 2018. paper

  68. Graph Convolutional Neural Networks for Web-Scale Recommender Systems. Rex Ying, Ruining He, Kaifeng Chen, Pong Eksombatchai, William L. Hamilton, Jure Leskovec. KDD 2018. paper

  69. Improved Semantic Representations From Tree-Structured Long Short-Term Memory Networks. Kai Sheng Tai, Richard Socher, Christopher D. Manning. ACL 2015. paper

  70. Neural Module Networks. Jacob Andreas, Marcus Rohrbach, Trevor Darrell, Dan Klein. CVPR 2016. paper

  71. Encoding Sentences with Graph Convolutional Networks for Semantic Role Labeling.Diego Marcheggiani, Ivan Titov.EMNLP 2017. paper

  72. Graph Convolutional Networks with Argument-Aware Pooling for Event Detection. Thien Huu Nguyen, Ralph Grishman.AAAI 2018. paper

  73. Geometric Matrix Completion with Recurrent Multi-Graph Neural Networks. Federico Monti, Michael M. Bronstein, Xavier Bresson. NIPS 2017. paper

  74. Graph Convolutional Matrix Completion. Rianne van den Berg, Thomas N. Kipf, Max Welling.2017. paper

  75. Hybrid Approach of Relation Network and Localized Graph Convolutional Filtering for Breast Cancer Subtype Classification. Sungmin Rhee, Seokjun Seo, Sun Kim. IJCAI 2018. paper

  76. Modeling polypharmacy side effects with graph convolutional networks. Marinka Zitnik, Monica Agrawal, Jure Leskovec.ISMB 2018. paper

  77. DeepInf: Modeling influence locality in large social networks. Jiezhong Qiu, Jian Tang, Hao Ma, Yuxiao Dong, Kuansan Wang, Jie Tang. KDD 2018. paper

  78. Exploiting Semantics in Neural Machine Translation with Graph Convolutional Networks.Diego Marcheggiani, Joost Bastings, Ivan Titov. NAACL 2018. paper

  79. Exploring Graph-structured Passage Representation for Multi-hop Reading Comprehension with Graph Neural Networks. Linfeng Song, Zhiguo Wang, Mo Yu, Yue Zhang, Radu Florian, Daniel Gildea. 2018. paper

  80. Graph Convolution over Pruned Dependency Trees Improves Relation Extraction. Yuhao Zhang, Peng Qi, Christopher D. Manning. EMNLP 2018. paper

  81. N-ary relation extraction using graph state LSTM. Linfeng Song, Yue Zhang, Zhiguo Wang, Daniel Gildea. EMNLP 18. paper

  82. A Graph-to-Sequence Model for AMR-to-Text Generation. Linfeng Song, Yue Zhang, Zhiguo Wang, Daniel Gildea. ACL 2018. paper

  83. Cross-Sentence N-ary Relation Extraction with Graph LSTMs. Nanyun Peng, Hoifung Poon, Chris Quirk, Kristina Toutanova, Wen-tau Yih. TACL. paper

  84. Sentence-State LSTM for Text Representation. Yue Zhang, Qi Liu, Linfeng Song. ACL 2018. paper

  85. End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures. Makoto Miwa, Mohit Bansal. ACL 2016. paper

  86. Learning Human-Object Interactions by Graph Parsing Neural Networks. Siyuan Qi, Wenguan Wang, Baoxiong Jia, Jianbing Shen, Song-Chun Zhu. ECCV 2018. paper

  87. Multiple Events Extraction via Attention-based Graph Information Aggregation. Xiao Liu, Zhunchen Luo, Heyan Huang.EMNLP 2018. paper

  88. Cross-lingual Knowledge Graph Alignment via Graph Convolutional Networks. Zhichun Wang, Qingsong Lv, Xiaohan Lan, Yu Zhang. EMNLP 2018. paper

  89. Graph Convolution over Pruned Dependency Trees Improves Relation Extraction. Yuhao Zhang, Peng Qi, Christopher D. Manning. EMNLP 2018. paper

  90. Recurrent Relational Networks. Rasmus Palm, Ulrich Paquet, Ole Winther. NeurIPS 2018. paper

  91. Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation.Jiaxuan You, Bowen Liu, Rex Ying, Vijay Pande, Jure Leskovec. NeurIPS 2018. paper

  92. Learning Conditioned Graph Structures for Interpretable Visual Question Answering. Will Norcliffe-Brown, Efstathios Vafeias, Sarah Parisot. NeurIPS 2018. paper

  93. Combinatorial Optimization with Graph Convolutional Networks and Guided Tree Search.Zhuwen Li, Qifeng Chen, Vladlen Koltun. NeurIPS 2018. paper

  94. Symbolic Graph Reasoning Meets Convolutions. Xiaodan Liang, Zhiting Hu, Hao Zhang, Liang Lin, Eric P. Xing. NeurIPS 2018. paper

  95. Out of the Box: Reasoning with Graph Convolution Nets for Factual Visual Question Answering. Medhini Narasimhan, Svetlana Lazebnik, Alexander Schwing. NeurIPS 2018. paper

  96. Constrained Generation of Semantically Valid Graphs via Regularizing Variational Autoencoders. Tengfei Ma, Jie Chen, Cao Xiao. NeurIPS 2018. paper

  97. Structural-RNN: Deep Learning on Spatio-Temporal Graphs. Ashesh Jain, Amir R. Zamir, Silvio Savarese, Ashutosh Saxena.CVPR 2016. paper

  98. Relation Networks for Object Detection. Han Hu, Jiayuan Gu, Zheng Zhang, Jifeng Dai, Yichen Wei. CVPR 2018. paper

  99. Learning Region features for Object Detection. Jiayuan Gu, Han Hu, Liwei Wang, Yichen Wei, Jifeng Dai. ECCV 2018. paper

  100. Deep Graph Infomax. Petar Veličković, William Fedus, William L. Hamilton, Pietro Liò, Yoshua Bengio, R Devon Hjelm. ICLR 2019. paper

  101. Combining Neural Networks with Personalized PageRank for Classification on Graphs.Johannes Klicpera, Aleksandar Bojchevski, Stephan Günnemann. ICLR 2019. paper

你可能感兴趣的:(GCN)

  • npm设置镜像及恢复默认设置 GaoJamie 前端npm前端node.js
    npm淘宝镜像npmconfigsetregistryhttps://registry.npm.taobao.orgnpm华为镜像npmconfigsetregistryhttps://mirrors.huaweicloud.com/repository/npm/全局安装cnpm并设置淘宝镜像npminstall-gcnpm--registry=https://registry.npm.taoba
  • 深度学习算法在图算法中的应用（图卷积网络GCN和图自编码器GAE） 大嘤三喵军团 深度学习算法网络
    深度学习算法在图算法中的应用1.图卷积网络（GraphConvolutionalNetworks,GCN）图卷积网络（GCN）是一种将卷积神经网络（ConvolutionalNeuralNetworks,CNN）推广到图结构数据的方法。GCN被广泛用于节点分类、图分类、链接预测等任务。优势和好处灵活性：GCN可以处理不规则和不均匀的数据结构，比如社交网络、分子结构、交通网络等。高效性：GCN使用局
  • AMD GCN GPU微架构简介 jack_201316888 硬件架构微架构
    AMDGCN(GraphicsCoreNext)微架构介绍AMDGCN(GraphicsCoreNext)是AMD公司推出的一种用于图形处理单元（GPU）的微架构。自2012年首次推出以来，GCN架构已成为AMD图形处理器的核心技术之一，广泛应用于桌面显卡、笔记本电脑以及游戏主机（如PlayStation和Xbox）等设备中。本文将详细介绍GCN微架构的设计理念、主要特性及其演变历程。设计理念GC
  • 解决npm安装electron失败的问题 glfxml npmelectron前端
    在网上百度、谷歌，我甚至使用chatgpt提问，得到的回答都是没有用的。就要放弃的时候，看到一解决方案，试了一下可用。记录下来npminstall-gcnpm--registry=https://registry.npmmirror.comcnpminstall--save-develectron
  • ETIMEDOU 104.16.20.35:443（已解决） 憨憨憨憨憨到不行的程序员 笔记npmjavascript前端
    npmERR!networkrequesttohttps://registry.npmjs.org/@nodelib%2ffs.stat,reason:connectETIMEDOUT104.16.20.35:443（已解决）安装好nodejs与yarn,下载项目后在项目主目录下运行yarn拉取依赖包时执行npminstall-gcnpm--registry=https://registry.np
  • vue脚手架创建项目失败，报错淘宝镜像地址证书过期问题解决 DLGDark npm相关vuevue.js前端javascriptnpm淘宝镜像
    场景：使用vue-cli脚手架创建vue新项目时，控制台报错，创建失败控制台报错：ERRORFailedtogetresponsefromhttps://registry.npm.taobao.org/binary-mirror-config尝试过的方式：清除npm缓存或删除npm-cache文件夹删除.npmrc文件重装淘宝镜像：npminstall-gcnpm--registry=https:
  • npm使用国内淘宝镜像加快install速度的方法 余十步 npm前端node.js
    npminstall-gcnpm--registry=https://registry.npm.taobao.orgcnpminstallcnpmrunserve第二种方法#经过下面的配置，以后所有的npminstall都会经过淘宝的镜像地址下载npmconfigsetregistryhttps://registry.npm.taobao.org#查看npm配置信息npmconfiglistnpm
  • 图神经网络实战（18）——消息传播神经网络 盼小辉丶 图神经网络从入门到项目实战pytorch深度学习图神经网络
    图神经网络实战（18）——消息传播神经网络0.前言1.消息传播神经网络2.实现MPNN框架小结系列链接0.前言我们已经学习了多种图神经网络(GraphNeuralNetworks,GNN)变体，包括图卷积网络(GraphConvolutionalNetwork,GCN)、图注意力网络(GraphAttentionNetworks，GAT)和GraphSAGE等。在本节中，我们将对这些变体GNN结构
  • 1区9+非肿瘤纯生信，逻辑清晰易懂，机器学习筛选关键基因的纯生信也可以发高水平期刊，抓紧上车！ 生信小课堂
    影响因子：9.186关于非肿瘤生信，我们也解读过很多，主要有以下类型1单个疾病WGCNA+PPI分析筛选hub基因。2单个疾病结合免疫浸润，热点基因集，机器学习算法等。3两种相关疾病联合分析，包括非肿瘤结合非肿瘤，非肿瘤结合肿瘤或者非肿瘤结合泛癌分析4基于分型的非肿瘤生信分析5单细胞结合普通转录组生信分析目前非肿瘤生信发文的门槛较低，有需要的朋友欢迎交流研究概述：本研究首先使用R语言在三个基因表达
  • 使用npm配置vue项目历程 hzw0510 前端开发npmvue.js前端
    1、使用npm配置vue项目历程1.1、npm安装项目环境很慢配置国内淘宝镜像npmconfigsetregistryhttps://registry.npm.taobao.org指定国内镜像仓下载软件npminstall-gcnpm--registry=https://registry.npm.taobao.org2.2、报错证书过期清理缓存npmcacheclean--force禁用SSLnp
  • 7+非肿瘤纯生信，内容不多但思路值得借鉴！ 生信小课堂
    关于非肿瘤生信，我们也解读过很多，主要有以下类型1单个疾病WGCNA+PPI分析筛选hub基因。2单个疾病结合免疫浸润，铁死亡，自噬等基因集，机器学习算法等。3两种相关疾病联合分析，包括非肿瘤结合非肿瘤，非肿瘤结合肿瘤或者非肿瘤结合泛癌分析4基于分型的非肿瘤生信分析5单细胞结合普通转录组生信分析目前非肿瘤生信发文的门槛较低，有需要的朋友患者添加小编咨询生信分析咨询请关注生信小课堂研究背景：扩张型心
  • CVPR2024部分研究方向文章梳理（持续更新中） 路漫漫独求索 计算机视觉人工智能深度学习分类AI作画stablediffusion
    CVPR2024部分研究方向文章梳理（持续更新中）长尾分布（Long-Tailed）DeiT-LT:DistillationStrikesBackforVisionTransformerTrainingonLong-TailedDatasets.全文地址：DeiT-LT\(rangwani-harsh.github.io\)领域自适应（DomainAdaptation）LearningCNNonV
  • 7.3分非肿瘤生信，热点基因集+免疫浸润+WGCNA+调控网络+单细胞+实验验证，值得收藏！ 生信小课堂
    影响因子：7.31关于非肿瘤生信，我们也解读过很多，主要有以下类型1单个疾病WGCNA+PPI分析筛选hub基因。2单个疾病结合免疫浸润，铁死亡，自噬等基因集，机器学习算法等。3两种相关疾病联合分析，包括非肿瘤结合非肿瘤，非肿瘤结合肿瘤或者非肿瘤结合泛癌分析4基于分型的非肿瘤生信分析目前非肿瘤生信发文的门槛较低，有需要的朋友欢迎交流研究概述：动脉粥样硬化(AS)是一种慢性炎症性疾病。免疫代谢和氧化
  • 8+非肿瘤生信+实验验证，筛选坏死性凋亡相关hub基因并建模，思路可模仿可升级！ 生信小课堂
    生信小课堂研究背景：特发性肺纤维化(IPF)是一种尚未明确发表机制的肺病。近年来，IPF的发病率随时间增加。坏死性凋亡是一种促炎型的程序性细胞死亡，可促进细胞内容物的释放以激活免疫反应。近年来，免疫浸润一直是癌症研究领域的热点。多种免疫细胞在肺纤维化过程中起重要作用。关于非肿瘤生信，我们也解读过很多，主要有以下类型1单个疾病WGCNA+PPI分析筛选hub基因。2单个疾病结合免疫浸润，热点基因集，
  • 生信学习Day1-小白 小白又白
    第一天作业第一次使用markdown怎么用markdown列表字体链接等library(WGCNA)options(stringsAsFactors=FALSE)allowWGCNAThreads()把`符号搞错了，打了'，引用框框就没显示啦。。。Q：引用的图片怎么调整大小呢？
  • @llvm.amdgcn.workitem.id.x()引发的一些前后端的调研 jc小小川+幻幻融hr 小小川编译器elasticsearch大数据搜索引擎
    记录资料：UserGuideforAMDGPUBackend—LLVM5documentationintrinsic函数会执行lowerintrinsicspassllvm-project-main/llvm/lib/CodeGen/IntrinsicLowering.cppllvm-project-main/llvm/lib/Target/AMDGPU/AMDGPULowerIntrinsics
  • KGCN---pytorch代码（1）---data_loader sweet_Mary 推荐算法python推荐算法pytorch人工智能机器学习深度学习
    代码：importpandasaspdimportnumpyasnpfromsklearn.preprocessingimportLabelEncoderfromsklearn.model_selectionimporttrain_test_splitimportrandomclassDataLoader:'''DataLoaderclasswhichmakesdatasetfortraining
  • ionic cordova 安装指定版本 海上笙明玥
    安装ionic及cordovanpminstall-gcordovaionicnpm淘宝镜像(GFW，导致很多插件下载失败)npminstall-gcnpm--registry=https://registry.npm.taobao.org更新命令npmupdate-gcordovaionic安装特定版本[email protected]
  • 如何理解图卷积网络GCN __momo__ #GNNPythonPyTorch深度学习人工智能图论
    文章目录基本概念度矩阵（degree）邻接矩阵（Adjacency）理解GCN两层GCN网络层数设置搭建GCN网络定义GCN层定义GCN网络基本概念图的一些基本知识：图，邻居，度矩阵，邻接矩阵度矩阵（degree）度矩阵是对角矩阵，对角上的元素表示每个顶点的度，也就是该顶点相关联的边的数量。邻接矩阵（Adjacency）邻接矩阵表示顶点间的关系，矩阵元素为0或1。无向图邻接矩阵是对称矩阵，有向图的
  • 【阅读笔记】Zero-shot Recognition via Semantic Embeddings and Knowledge Graphs-2018 一只瓜皮呀 零样本学习图神经网络知识图谱深度学习机器学习
    Abstract我们考虑零样本识别问题:仅利用类别的单词嵌入及其与其他类别的关系来学习具有零训练示例的类别的视觉分类器，并提供视觉数据。处理陌生或新类的关键是将从熟悉类中获得的知识转移到陌生类的描述中。在本文中，我们基于最近引入的图卷积网络(GCN)，提出了一种同时使用语义嵌入和类别关系来预测分类器的方法。对于一个已习得的知识图(KG)，我们的方法将每个节点(表示视觉类别)作为输入语义嵌入。经过一
  • Python版WGCNA分析和蛋白质相互作用PPI分析教程 Starlitnightly python开发语言
    在前面的教程中，我们介绍了使用omicverse完成基本的RNA-seq的分析流程，在本节教程中，我们将介绍如何使用omicverse完成加权基因共表达网络分析WGCNA以及蛋白质相互作用PPI分析。环境的下载在这里我们只需要安装omicverse环境即可，有两个方法：一个是使用conda：condainstallomicverse-cconda-forge另一个是使用pip：pipinstall
  • ConvE——二维卷积知识图谱横空出世 时光诺言 机器学习—图神经网络知识图谱人工智能python卷积神经网络
    《Convolutional2DKnowledgeGraphEmbeddings》论文理解+代码复现本论文理解不再翻译原文，只写上我对于论文原生态的理解，应该会比较详细，请读者放心。一.作者为什么要提出ConvE？传统的R-GCN和DistMult的参数量过大，并且模型深度不够深，只能处理较小的知识图谱，所以作者将CNN引入到图神经网络中。二.一维卷积与二维卷积的对比2.1一维卷积当a,b特征简单
  • Vue JS 安装。根据其他大神 ，自己总结自学 liuxus
    1：安装node.js2：安装淘宝镜像：npminstall-gcnpm-regestry=https://registry.npm.taobao.org3：安装脚手架vue-cli:cnpminstall-gvue-cli;4：创建项目：vueinitwebpackmy_vue_test;5:5.1:cdmy_vue_test;5.2:cnpminstall;6:cnpmrundev7:loca
  • vue如何新建一个项目 码农界四爷__King
    vue创建项目（npm安装→初始化项目）第一步npm安装首先：先从nodejs.org中下载nodejsimage双击安装，在安装界面一直Nextimageimageimage直到Finish完成安装。打开控制命令行程序（CMD）,检查是否正常image使用淘宝****NPM****镜像大家都知道国内直接使用npm的官方镜像是非常慢的，这里推荐使用淘宝NPM镜像。$npminstall-gcnpm
  • 关于前端vue的一些记录 主角_32a4
    环境准备：node.js、npm、webpack、vue-cli、VsCode（WebStorm）1.去node中文官网下载自己所符合的安装包安装2.安装npm(cnpm)npminstall-gcnpm--registry=[http://registry.npm.taobao.org](http://registry.npm.taobao.org/)cnpm为淘宝镜像，安装项目依赖包效率高于n
  • 3DCaricShop: A Dataset and A Baseline Method for Single-view 3D Caricature Face Reconstruction 理想很丰满，现实很骨感 #单视图三维人脸重建计算机视觉深度学习神经网络
    目录1.文章概述2.相关工作2.1关于数据集2.2关于单视图三维重建3.本文核心方法3.13DCaricShop数据集3.2提出的baseline方法进行三维重建3.2.1概述3.2.2流程1.参数化建模（PCA）2.隐式三维重建3.3D关键点预测4.关键点引导的模型匹配3.2.3VC-GCN（视图协同图卷积网络）1.初始化2.图卷积4.最终效果1.文章概述3DCaricShop指的是文章提出的一
  • 使用vuecli脚手架一键搭建工程 如梦初醒Tel
    安装Vue脚手架首先电脑上要安装最新版的nodeJS.官网下载，安装完之后安装淘宝npm镜像npminstall-gcnpm--registry=https://registry.npm.taobao.org安装安淘宝镜像之后后面的都可以用cnpm五部走：全局安装vueclicnpminstall-gvue-cli进入目录–初始化项目vueinitwebpackmy-project进入项目cdmy
  • 一文梳理经典图网络模型（附新书） 科技州与数据州
    作者|Chilia哥伦比亚大学nlp搜索推荐整理|NewBeeNLP图神经网络已经在NLP、CV、搜索推荐广告等领域广泛应用，今天我们就来整体梳理一些经典常用的图网络模型：DeepWalk、GCN、Graphsage、GAT！1.DeepWalk[2014]DeepWalk是来解决图里面节点embedding问题的。GraphEmbedding技术将图中的节点以低维稠密向量的形式进行表达，要求在原
  • React环境配置 橙南花已开 react.js前端前端框架
    1.安装Node.jsNode.js官网：https://nodejs.org/en/下载之后按默认选项安装好重启电脑即可自动完成配置2.安装React国内使用npm速度很慢，可以使用淘宝定制的cnpm(gzip压缩支持)命令行工具代替默认的npm。①使用win+R输入cmd打开终端②依次输入以下命令npminstall-gcnpm--registry=https://registry.npmmi
  • 微信小程序mpvue+Vant Weapp初始化 回到唐朝做IT
    准备工作：1.安装Node.jsnodejs官网//可查看node版本$node-v$npm-v2.安装淘宝镜像cnpm$npminstall-gcnpm--registry=https://registry.npm.taobao.org3.安装vue-cli脚手架构建工具$cnpminstall-gvue-cli第一步、创建一个基于mpvue-quickstart模板的新项目可参考mpvue官网
  • rust的指针作为函数返回值是直接传递，还是先销毁后创建？ wudixiaotie 返回值
     这是我自己想到的问题，结果去知呼提问，还没等别人回答， 我自己就想到方法实验了。。 fn main() { let mut a = 34; println!("a's addr:{:p}", &a); let p = &mut a; println!("p's addr:{:p}", &a
  • java编程思想 -- 数据的初始化 百合不是茶 java数据的初始化
      1.使用构造器确保数据初始化      /* *在ReckInitDemo类中创建Reck的对象 */ public class ReckInitDemo { public static void main(String[] args) { //创建Reck对象 new Reck(); } }
  • [航天与宇宙]为什么发射和回收航天器有档期 comsci
           地球的大气层中有一个时空屏蔽层,这个层次会不定时的出现,如果该时空屏蔽层出现,那么将导致外层空间进入的任何物体被摧毁,而从地面发射到太空的飞船也将被摧毁...        所以,航天发射和飞船回收都需要等待这个时空屏蔽层消失之后,再进行 &
  • linux下批量替换文件内容 商人shang linux替换
    1、网络上现成的资料 　　格式: sed -i "s/查找字段/替换字段/g" `grep 查找字段 -rl 路径` 　　linux sed 批量替换多个文件中的字符串 　　sed -i "s/oldstring/newstring/g" `grep oldstring -rl yourdir` 　　例如：替换/home下所有文件中的www.admi
  • 网页在线天气预报 oloz 天气预报
    网页在线调用天气预报 <%@ page language="java" contentType="text/html; charset=utf-8" pageEncoding="utf-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transit
  • SpringMVC和Struts2比较 杨白白 springMVC
    1. 入口 spring mvc的入口是servlet，而struts2是filter（这里要指出，filter和servlet是不同的。以前认为filter是servlet的一种特殊），这样就导致了二者的机制不同，这里就牵涉到servlet和filter的区别了。 参见：http://blog.csdn.net/zs15932616453/article/details/8832343 2
  • refuse copy, lazy girl! 小桔子 copy
           妹妹坐船头啊啊啊啊！都打算一点点琢磨呢。文字编辑也写了基本功能了。。今天查资料，结果查到了人家写得完完整整的。我清楚的认识到： 1.那是我自己觉得写不出的高度 2.如果直接拿来用，很快就能解决问题 3.然后就是抄咩~~ 4.肿么可以这样子，都不想写了今儿个，留着作参考吧！拒绝大抄特抄，慢慢一点点写！  
  • apache与php整合 aichenglong php apache web
    一  apache web服务器 1 apeche web服务器的安装   1)下载Apache web服务器   2)配置域名(如果需要使用要在DNS上注册)   3)测试安装访问http://localhost/验证是否安装成功 2 apache管理   1)service.msc进行图形化管理   2)命令管理，配
  • Maven常用内置变量 AILIKES maven
    Built-in properties ${basedir} represents the directory containing pom.xml ${version} equivalent to ${project.version} (deprecated: ${pom.version}) Pom/Project properties Al
  • java的类和对象 百合不是茶 JAVA面向对象 类 对象
    java中的类：     java是面向对象的语言，解决问题的核心就是将问题看成是一个类，使用类来解决   java使用 class 类名   来创建类 ，在Java中类名要求和构造方法，Java的文件名是一样的   创建一个A类： class A{ }   java中的类：将某两个事物有联系的属性包装在一个类中，再通
  • JS控制页面输入框为只读 bijian1013 JavaScript
    在WEB应用开发当中，增、删除、改、查功能必不可少，为了减少以后维护的工作量，我们一般都只做一份页面，通过传入的参数控制其是新增、修改或者查看。而修改时需将待修改的信息从后台取到并显示出来，实际上就是查看的过程，唯一的区别是修改时，页面上所有的信息能修改，而查看页面上的信息不能修改。因此完全可以将其合并，但通过前端JS将查看页面的所有信息控制为只读，在信息量非常大时，就比较麻烦。  
  • AngularJS与服务器交互 bijian1013 JavaScriptAngularJS$http
            对于AJAX应用（使用XMLHttpRequests）来说，向服务器发起请求的传统方式是：获取一个XMLHttpRequest对象的引用、发起请求、读取响应、检查状态码，最后处理服务端的响应。整个过程示例如下： var xmlhttp = new XMLHttpRequest(); xmlhttp.onreadystatechange
  • [Maven学习笔记八]Maven常用插件应用 bit1129 maven
    常用插件及其用法位于：http://maven.apache.org/plugins/   1. Jetty server plugin 2. Dependency copy plugin 3. Surefire Test plugin 4. Uber jar plugin           1. Jetty Pl
  • 【Hive六】Hive用户自定义函数(UDF) bit1129 自定义函数
    1. 什么是Hive UDF Hive是基于Hadoop中的MapReduce，提供HQL查询的数据仓库。Hive是一个很开放的系统，很多内容都支持用户定制，包括： 文件格式：Text File，Sequence File 内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text 用户提供的 map/reduce 脚本：不管什么
  • 杀掉nginx进程后丢失nginx.pid，如何重新启动nginx ronin47 nginx 重启 pid丢失
    nginx进程被意外关闭，使用nginx -s reload重启时报如下错误：nginx: [error] open() “/var/run/nginx.pid” failed (2: No such file or directory)这是因为nginx进程被杀死后pid丢失了，下一次再开启nginx -s reload时无法启动解决办法：nginx -s reload 只是用来告诉运行中的ng
  • UI设计中我们为什么需要设计动效 brotherlamp UIui教程ui视频ui资料ui自学
    随着国际大品牌苹果和谷歌的引领，最近越来越多的国内公司开始关注动效设计了，越来越多的团队已经意识到动效在产品用户体验中的重要性了，更多的UI设计师们也开始投身动效设计领域。 但是说到底，我们到底为什么需要动效设计？或者说我们到底需要什么样的动效？做动效设计也有段时间了，于是尝试用一些案例，从产品本身出发来说说我所思考的动效设计。 一、加强体验舒适度 嗯，就是让用户更加爽更加爽的用你的产品。
  • Spring中JdbcDaoSupport的DataSource注入问题 bylijinnan javaspring
    参考以下两篇文章： http://www.mkyong.com/spring/spring-jdbctemplate-jdbcdaosupport-examples/ http://stackoverflow.com/questions/4762229/spring-ldap-invoking-setter-methods-in-beans-configuration Sprin
  • 数据库连接池的工作原理 chicony 数据库连接池
           随着信息技术的高速发展与广泛应用，数据库技术在信息技术领域中的位置越来越重要，尤其是网络应用和电子商务的迅速发展，都需要数据库技术支持动 态Web站点的运行，而传统的开发模式是：首先在主程序（如Servlet、Beans）中建立数据库连接；然后进行SQL操作，对数据库中的对象进行查 询、修改和删除等操作；最后断开数据库连接。使用这种开发模式，对
  • java 关键字 CrazyMizzz java
    关键字是事先定义的，有特别意义的标识符，有时又叫保留字。对于保留字，用户只能按照系统规定的方式使用，不能自行定义。 Java中的关键字按功能主要可以分为以下几类：    （1）访问修饰符       public,private,protected       p
  • Hive中的排序语法 daizj 排序hiveorder byDISTRIBUTE BYsort by
    Hive中的排序语法 2014.06.22 ORDER BY hive中的ORDER BY语句和关系数据库中的sql语法相似。他会对查询结果做全局排序，这意味着所有的数据会传送到一个Reduce任务上，这样会导致在大数量的情况下，花费大量时间。 与数据库中 ORDER BY 的区别在于在hive.mapred.mode = strict模式下，必须指定 limit 否则执行会报错。
  • 单态设计模式 dcj3sjt126com 设计模式
      单例模式（Singleton）用于为一个类生成一个唯一的对象。最常用的地方是数据库连接。 使用单例模式生成一个对象后，该对象可以被其它众多对象所使用。 <?phpclass Example{    // 保存类实例在此属性中    private static&
  • svn locked dcj3sjt126com Lock
    post-commit hook failed (exit code 1) with output: svn: E155004: Working copy 'D:\xx\xxx' locked svn: E200031: sqlite: attempt to write a readonly database svn: E200031: sqlite: attempt to write a
  • ARM寄存器学习 e200702084 数据结构C++cC#F#
    无论是学习哪一种处理器，首先需要明确的就是这种处理器的寄存器以及工作模式。     ARM有37个寄存器，其中31个通用寄存器，6个状态寄存器。 1、不分组寄存器（R0-R7）     不分组也就是说说，在所有的处理器模式下指的都时同一物理寄存器。在异常中断造成处理器模式切换时，由于不同的处理器模式使用一个名字相同的物理寄存器，就是
  • 常用编码资料 gengzg 编码
    List<UserInfo> list=GetUserS.GetUserList(11); String json=JSON.toJSONString(list); HashMap<Object,Object> hs=new HashMap<Object, Object>(); for(int i=0;i<10;i++) {
  • 进程 vs. 线程 hongtoushizi 线程linux进程
    我们介绍了多进程和多线程，这是实现多任务最常用的两种方式。现在，我们来讨论一下这两种方式的优缺点。 首先，要实现多任务，通常我们会设计Master-Worker模式，Master负责分配任务，Worker负责执行任务，因此，多任务环境下，通常是一个Master，多个Worker。 如果用多进程实现Master-Worker，主进程就是Master，其他进程就是Worker。 如果用多线程实现
  • Linux定时Job：crontab -e 与 /etc/crontab 的区别 Josh_Persistence linuxcrontab
    一、linux中的crotab中的指定的时间只有5个部分：* * * * * 分别表示：分钟，小时，日，月，星期，具体说来： 第一段 代表分钟 0—59 第二段 代表小时 0—23 第三段 代表日期 1—31 第四段 代表月份 1—12 第五段 代表星期几，0代表星期日 0—6   如： */1 * * * *   每分钟执行一次。 *
  • KMP算法详解 hm4123660 数据结构C++算法字符串KMP
         字符串模式匹配我们相信大家都有遇过，然而我们也习惯用简单匹配法（即Brute-Force算法)，其基本思路就是一个个逐一对比下去，这也是我们大家熟知的方法，然而这种算法的效率并不高，但利于理解。       假设主串s="ababcabcacbab",模式串为t="
  • 枚举类型的单例模式 zhb8015 单例模式
    E.编写一个包含单个元素的枚举类型[极推荐]。代码如下： public enum MaYun {himself; //定义一个枚举的元素，就代表MaYun的一个实例private String anotherField;MaYun() {//MaYun诞生要做的事情//这个方法也可以去掉。将构造时候需要做的事情放在instance赋值的时候：/** himself = MaYun() {*
  • Kafka+Storm+HDFS ssydxa219 storm
    cd /myhome/usr/stormbin/storm nimbus &amp;bin/storm supervisor &amp;bin/storm ui &amp;Kafka+Storm+HDFS整合实践kafka_2.9.2-0.8.1.1.tgzapache-storm-0.9.2-incubating.tar.gzKafka安装配置我们使用3台机器搭建Kafk
  • Java获取本地服务器的IP 中华好儿孙 javaWeb获取服务器ip地址
    System.out.println("getRequestURL:"+request.getRequestURL()); System.out.println("getLocalAddr:"+request.getLocalAddr()); System.out.println("getLocalPort:&quo
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他