数智物语
数智物语

Github项目推荐-图神经网络(GNN)相关资源大列表

 

 

文章发布于公号【数智物语】 （ID：decision_engine），关注公号不错过每一篇干货。

 

 

 

转自 | AI研习社

作者｜Zonghan Wu

 

这是一个与图神经网络相关的资源集合。相关资源浏览下方Github项目地址，再点击对应链接跳转下载。

 

01

Github项目地址：

 

 

 

https://github.com/nnzhan/Awesome-Graph-Neural-Networks

 

02

调查报告

 

 

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

    https://arxiv.org/pdf/1901.00596.pdf

  • Geometric deep learning: going beyond euclidean data. Michael M. Bronstein, Joan Bruna, Yann LeCun, Arthur Szlam, Pierre Vandergheynst. 2016. 

    https://arxiv.org/pdf/1611.08097.pdf

  • Relational inductive biases, deep learning, and graph networks. Peter W. Battaglia, Jessica B. Hamrick, Victor Bapst, Alvaro Sanchez-Gonzalez, Vinicius Zambaldi, Mateusz Malinowski, Andrea Tacchetti, David Raposo, Adam Santoro, Ryan Faulkner, Caglar Gulcehre, Francis Song, Andrew Ballard, Justin Gilmer, George Dahl, Ashish Vaswani, Kelsey Allen, Charles Nash, Victoria Langston, Chris Dyer, Nicolas Heess, Daan Wierstra, Pushmeet Kohli, Matt Botvinick, Oriol Vinyals, Yujia Li, Razvan Pascanu. 2018. 

    https://arxiv.org/pdf/1806.01261.pdf

  • Attention models in graphs. John Boaz Lee, Ryan A. Rossi, Sungchul Kim, Nesreen K. Ahmed, Eunyee Koh. 2018. 

    https://arxiv.org/pdf/1807.07984.pdf

  • Deep learning on graphs: A survey. Ziwei Zhang, Peng Cui and Wenwu Zhu. 2018. 

    https://arxiv.org/pdf/1812.04202.pdf

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

    https://arxiv.org/pdf/1812.08434.pdf

 

03

论文

 

 

 

01

图卷积网络

 

 

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

    https://ieeexplore.ieee.org/abstract/document/1555942

  • The graph neural network model. Franco Scarselli,Marco Gori,Ah Chung Tsoi,Markus Hagenbuchner, Gabriele Monfardini.2009. 

    http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.1015.7227&rep=rep1&type=pdf

  • Spectral networks and locally connected networks on graphs. Joan Bruna, Wojciech Zaremba, Arthur Szlam, Yann LeCun. ICLR 2014. 

    https://arxiv.org/pdf/1312.6203.pdf

  • Convolutional networks on graphs for learning molecular fingerprints. David Duvenaud, Dougal Maclaurin, Jorge Aguilera-Iparraguirre Rafael Go ́mez-Bombarelli, Timothy Hirzel, Ala ́n Aspuru-Guzik, Ryan P. Adams., NIPS 2015. 

    http://papers.nips.cc/paper/5954-convolutional-networks-on-graphs-for-learning-molecular-fingerprints.pdf

  • Gated graph sequence neural networks. Yujia Li, Richard Zemel, Marc Brockschmidt, Daniel Tarlow. ICLR 2015. 

    https://arxiv.org/pdf/1511.05493.pdf

  • Accelerated filtering on graphs using lanczos method. Ana Susnjara, Nathanael Perraudin, Daniel Kressner, Pierre Vandergheynst. 2015. 

    https://arxiv.org/pdf/1509.04537.pdf

  • Deep convolutional networks on graph-structured data. Mikael Henaff, Joan Bruna, Yann LeCun. 2015. 

    https://arxiv.org/abs/1506.05163

  • Convolutional neural networks on graphs with fast localized spectral filtering. Michaël Defferrard, Xavier Bresson, Pierre Vandergheynst. NIPS 2016. 

    https://arxiv.org/pdf/1606.09375.pdf

  • Diffusion-convolutional neural networks James Atwood, Don Towsley. NIPS 2016. 

    https://arxiv.org/pdf/1511.02136.pdf

  • Learning convolutional neural networks for graphs. Mathias Niepert, Mohamed Ahmed, Konstantin Kutzkov. ICML 2016. 

    https://arxiv.org/pdf/1605.05273.pdf

  • Molecular graph convolutions: moving beyond fingerprints. Steven Kearnes, Kevin McCloskey, Marc Berndl, Vijay Pande, Patrick Riley 2016. 

    https://arxiv.org/pdf/1603.00856.pdf

  • Inductive representation learning on large graphs. William L. Hamilton, Rex Ying, Jure Leskovec. NIPS 2017. 

    http://papers.nips.cc/paper/6703-inductive-representation-learning-on-large-graphs.pdf

  • Neural message passing for quantum chemistry. Justin Gilmer, Samuel S. Schoenholz, Patrick F. Riley, Oriol Vinyals, George E. Dahl. ICML 2017. 

    https://arxiv.org/pdf/1704.01212.pdf

  • Dynamic Edge-Conditioned Filters in Convolutional Neural Networks on Graphs Martin Simonovsky, Nikos KomodakisCVPR 2017. 

    https://arxiv.org/pdf/1704.02901.pdf

  • 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. 

    https://arxiv.org/pdf/1611.08402.pdf

  • Semi-supervised classification with graph convolutional networks. Thomas N. Kipf, Max Welling. ICLR 2017. 

    https://arxiv.org/pdf/1609.02907.pdf

  • Robust spatial filtering with graph convolutional neural networks. 2017. Felipe Petroski Such, Shagan Sah, Miguel Dominguez, Suhas Pillai, Chao Zhang, Andrew Michael, Nathan Cahill, Raymond Ptucha. 

    https://arxiv.org/abs/1703.00792

  • Cayleynets: graph convolutional neural networks with complex rational spectral filters. Ron Levie, Federico Monti, Xavier Bresson, Michael M. Bronstein. 2017. 

    https://arxiv.org/pdf/1705.07664.pdf

  • Hierarchical graph representation learning with differentiable pooling. Rex Ying, Jiaxuan You, Christopher Morris, Xiang Ren, William L. Hamilton, Jure Leskovec. NeurIPS 2018. 

    https://arxiv.org/pdf/1806.08804.pdf

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

    http://papers.nips.cc/paper/7287-structure-aware-convolutional-neural-networks.pdf

  • Adaptive graph convolutional neural networks. Ruoyu Li, Sheng Wang, Feiyun Zhu, Junzhou Huang. AAAI 2018. 

    https://arxiv.org/pdf/1801.03226.pdf

  • Deeper insights into graph convolutional networks for semi-supervised learning. Qimai Li, Zhichao Han, Xiao-Ming Wu. AAAI 2018. 

    https://arxiv.org/pdf/1801.07606.pdf

  • Large-Scale Learnable Graph Convolutional Networks. Hongyang Gao, Zhengyang Wang, Shuiwang Ji. KDD 2018. 

    https://arxiv.org/pdf/1808.03965.pdf

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

    https://arxiv.org/pdf/1801.10247.pdf

  • Learning steady-states of iterative algorithms over graphs. Hanjun Dai, Zornitsa Kozareva, Bo Dai, Alexander J. Smola, Le Song ICML 2018. 

    http://proceedings.mlr.press/v80/dai18a/dai18a.pdf

  • Representation learning on graphs with jumping knowledge networks. Keyulu Xu, Chengtao Li, Yonglong Tian, Tomohiro Sonobe, Ken-ichi Kawarabayashi, Stefanie Jegelka. ICML 2018. 

    https://arxiv.org/pdf/1806.03536.pdf

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

    https://arxiv.org/pdf/1710.10568.pdf

  • Dual graph convolutional networks for graph-based semi-supervised classification Chenyi Zhuang, Qiang Ma. WWW 2018. 

    http://delivery.acm.org/10.1145/3190000/3186116/p499-zhuang.pdf?ip=1.129.110.137&id=3186116&acc=OPEN&key=4D4702B0C3E38B35%2E4D4702B0C3E38B35%2E4D4702B0C3E38B35%2E6D218144511F3437&__acm__=1546208231_ba22bb40f3bc41441d1fea0606eb8adb

  • Graph capsule convolutional neural networks Saurabh Verma, Zhi-Li Zhang. 2018. 

    https://arxiv.org/abs/1805.08090

  • How powerful are graph neural networks? Keyulu Xu, Weihua Hu, Jure Leskovec, Stefanie Jegelka. 2018. 

    https://arxiv.org/pdf/1810.00826.pdf

  • Modeling relational data with graph convolutional networks Michael Schlichtkrull, Thomas N. Kipf, Peter Bloem, Rianne van den Berg, Ivan Titov, Max Welling. ESW 2018. 

    https://arxiv.org/pdf/1703.06103.pdf

  • Multidimensional graph convolutional networks Yao Ma, Suhang Wang, Charu C. Aggarwal, Dawei Yin, Jiliang Tang.2018. 

    https://arxiv.org/pdf/1808.06099.pdf

  • Signed graph convolutional network. Tyler Derr, Yao Ma, Jiliang Tang. 2018. 

    https://arxiv.org/pdf/1808.06354.pdf

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

    https://openreview.net/pdf?id=Byl8BnRcYm

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

    https://openreview.net/pdf?id=H1gL-2A9Ym

  • DIFFUSION SCATTERING TRANSFORMS ON GRAPHS. Fernando Gama, Alejandro Ribeiro, Joan Bruna. ICLR 2019. 

    https://arxiv.org/pdf/1806.08829.pdf

  • Graph Wavelet Neural Network. Bingbing Xu, Huawei Shen, Qi Cao, Yunqi Qiu, Xueqi Cheng. ICLR 2019. 

    https://openreview.net/pdf?id=H1ewdiR5tQ

  • LanczosNet: Multi-Scale Deep Graph Convolutional Networks Renjie Liao, Zhizhen Zhao, Raquel Urtasun, Richard Zemel. ICLR 2019. 

    https://openreview.net/pdf?id=BkedznAqKQ

  • Bayesian Graph Convolutional Neural Networks for Semi-supervised Classification Yingxue Zhang, Soumyasundar Pal, Mark Coates, Deniz Üstebay. AAAI 2019.

    https://arxiv.org/pdf/1811.11103.pdf

  • Geniepath: Graph neural networks with adaptive receptive paths. Ziqi Liu, Chaochao Chen, Longfei Li, Jun Zhou, Xiaolong Li, Le Song, Yuan Qi. AAAI 2019. 

    https://arxiv.org/pdf/1802.00910.pdf

  • Hypergraph Neural Networks. Yifan Feng, Haoxuan You, Zizhao Zhang, Rongrong Ji, Yue Gao AAAI 2019. 

    https://arxiv.org/pdf/1809.09401.pdf

  • Weisfeiler and Leman Go Neural: Higher-order Graph Neural Networks. Christopher Morris, Martin Ritzert, Matthias Fey, William L. Hamilton, Jan Eric Lenssen, Gaurav Rattan, Martin Grohe AAAI 2019. 

    https://arxiv.org/pdf/1810.02244.pdf

  • Can GCNs Go as Deep as CNNs?. Guohao Li, Matthias Müller, Ali Thabet, Bernard Ghanem. 2019. 

    https://arxiv.org/abs/1904.03751

 

 

02

图的注意力模型

 

  • Graph Attention Networks. Petar Veličković, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Liò, Yoshua Bengio. ICLR 2018. 

    https://arxiv.org/pdf/1710.10903.pdf

  • Gaan: Gated attention networks for learning on large and spatiotemporal graphs. Jiani Zhang, Xingjian Shi, Junyuan Xie, Hao Ma, Irwin King, Dit-Yan Yeung. 2018. 

    https://arxiv.org/pdf/1803.07294.pdf

  • Watch your step: Learning node embeddings via graph attention. Sami Abu-El-Haija, Bryan Perozzi, Rami Al-Rfou, Alex Alemi. NeurIPS 2018. 

    https://arxiv.org/pdf/1710.09599.pdf

  • Graph classification using structural attention. John Boaz Lee, Ryan Rossi, Xiangnan Kong KDD 2018. 

    https://dl.acm.org/citation.cfm?id=3219980

 

 

03

图的自动编码器

 

 

  • Structural deep network embedding Daixin Wang, Peng Cui, Wenwu Zhu. 

    https://www.kdd.org/kdd2016/papers/files/rfp0191-wangAemb.pdf

  • Deep neural networks for learning graph representations. Shaosheng Cao, Wei Lu, Qiongkai Xu. AAAI 2016. 

    https://www.aaai.org/ocs/index.php/AAAI/AAAI16/paper/view/12423/11715

  • Variational graph auto-encoders. Thomas N. Kipf, Max Welling. 2016. 

    https://arxiv.org/pdf/1611.07308.pdf

  • Mgae: Marginalized graph autoencoder for graph clustering Chun Wang, Shirui Pan, Guodong Long, Xingquan Zhu, Jing Jiang. CIKM 2017. 

    https://shiruipan.github.io/pdf/CIKM-17-Wang.pdf

  • Link Prediction Based on Graph Neural Networks. Muhan Zhang, Yixin Chen. NeurIPS 2018. 

    https://arxiv.org/pdf/1802.09691.pdf

  • SpectralNet: Spectral Clustering using Deep Neural Networks Uri Shaham, Kelly Stanton, Henry Li, Boaz Nadler, Ronen Basri, Yuval Kluger. ICLR 2018. 

    https://arxiv.org/pdf/1801.01587.pdf

  • Deep Recursive Network Embedding with Regular Equivalence. Ke Tu, Peng Cui, Xiao Wang, Philip S. Yu, Wenwu Zhu.KDD 2018. 

    http://cuip.thumedialab.com/papers/NE-RegularEquivalence.pdf

  • Learning Deep Network Representations with Adversarially Regularized Autoencoders. Wenchao Yu, Cheng Zheng, Wei Cheng, Charu Aggarwal, Dongjin Song, Bo Zong, Haifeng Chen, Wei Wang. KDD 2018. 

    http://www.cs.ucsb.edu/~bzong/doc/kdd-18.pdf

  • Adversarially Regularized Graph Autoencoder for Graph Embedding. Shirui Pan, Ruiqi Hu, Guodong Long, Jing Jiang, Lina Yao, Chengqi Zhang. IJCAI 2018. 

    https://www.ijcai.org/proceedings/2018/0362.pdf

  • Deep graph infomax. Petar Veličković, William Fedus, William L. Hamilton, Pietro Liò, Yoshua Bengio, R Devon Hjelm.ICLR 2019. 

    https://arxiv.org/abs/1809.10341

 

 

04

图生成网络

 

 

  • Learning graphical state transitions. Daniel D. Johnson. ICLR 2016. 

    https://openreview.net/pdf?id=HJ0NvFzxl

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

    https://arxiv.org/pdf/1805.11973.pdf

  • Learning deep generative models of graphs. Yujia Li, Oriol Vinyals, Chris Dyer, Razvan Pascanu, Peter Battaglia. ICML 2018. 

    https://arxiv.org/abs/1803.03324

  • Netgan: Generating graphs via random walks. Aleksandar Bojchevski, Oleksandr Shchur, Daniel Zügner, Stephan Günnemann. ICML 2018. 

    https://arxiv.org/pdf/1803.00816.pdf

  • Graphrnn: A deep generative model for graphs. Jiaxuan You, Rex Ying, Xiang Ren, William L. Hamilton, Jure Leskovec.ICML 2018. 

    https://arxiv.org/pdf/1802.08773.pdf

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

    https://papers.nips.cc/paper/7942-constrained-generation-of-semantically-valid-graphs-via-regularizing-variational-autoencoders.pdf

  • Graph convolutional policy network for goal-directed molecular graph generation. Jiaxuan You, Bowen Liu, Rex Ying, Vijay Pande, Jure Leskovec. NeurIPS 2018. 

    https://arxiv.org/abs/1806.02473

 

 

05

图时空网络

 

 

  • Structured sequence modeling with graph convolutional recurrent networks. Youngjoo Seo, Michaël Defferrard, Pierre Vandergheynst, Xavier Bresson. 2016. 

    https://arxiv.org/pdf/1612.07659.pdf

  • Structural-rnn: Deep learning on spatio-temporal graphs. Ashesh Jain, Amir R. Zamir, Silvio Savarese, Ashutosh Saxena.CVPR 2016. 

    https://arxiv.org/abs/1511.05298

  • Deep multi-view spatial-temporal network for taxi. Huaxiu Yao, Fei Wu, Jintao Ke, Xianfeng Tang, Yitian Jia, Siyu Lu, Pinghua Gong, Jieping Ye, Zhenhui Li. AAAI 2018. 

    https://arxiv.org/abs/1802.08714

  • Spatial temporal graph convolutional networks for skeleton-based action recognition. Sijie Yan, Yuanjun Xiong, Dahua Lin. AAAI 2018. 

    https://arxiv.org/abs/1801.07455

  • Diffusion convolutional recurrent neural network: Data-driven traffic forecasting. Yaguang Li, Rose Yu, Cyrus Shahabi, Yan Liu. ICLR 2018. 

    https://arxiv.org/pdf/1707.01926.pdf

  • Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting. Bing Yu, Haoteng Yin, Zhanxing Zhu. IJCAI 2018. 

    https://arxiv.org/pdf/1709.04875.pdf

  • Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting. Shengnan Guo, Youfang Lin, Ning Feng, Chao Song, HuaiyuWan AAAI 2019. 

    https://github.com/Davidham3/ASTGCN/blob/master/2019%20AAAI_Attention%20Based%20Spatial-Temporal%20Graph%20Convolutional%20Networks%20for%20Traffic%20Flow%20Forecasting.pdf

  • Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting. Xu Geng, Yaguang Li, Leye Wang, Lingyu Zhang, Qiang Yang, Jieping Ye, Yan Liu. AAAI 2019. 

    http://www-scf.usc.edu/~yaguang/papers/aaai19_multi_graph_convolution.pdf

  • Spatio-Temporal Graph Routing for Skeleton-based Action Recognition. Bin Li, Xi Li, Zhongfei Zhang, Fei Wu. AAAI 2019. 

    https://www.aaai.org/Papers/AAAI/2019/AAAI-LiBin.6992.pdf

 

04

各领域的应用

 

 

 

01

计算机视觉（CV）

 

 

  • 3d graph neural networks for rgbd semantic segmentation. Xiaojuan Qi, Renjie Liao, Jiaya Jia†, Sanja Fidler, Raquel Urtasun. CVPR 2017. 

    http://openaccess.thecvf.com/content_ICCV_2017/papers/Qi_3D_Graph_Neural_ICCV_2017_paper.pdf

  • Syncspeccnn: Synchronized spectral cnn for 3d shape segmentation. Li Yi, Hao Su, Xingwen Guo, Leonidas Guibas.CVPR 2017. 

    https://arxiv.org/pdf/1612.00606.pdf

  • 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 

    https://arxiv.org/pdf/1706.01427.pdf

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

    https://arxiv.org/pdf/1708.04320

  • Image generation from scene graphs. Justin Johnson, Agrim Gupta, Li Fei-Fei. CVPR 2018. 

    https://arxiv.org/pdf/1804.01622.pdf

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

    https://arxiv.org/pdf/1612.00593.pdf

  • Iterative visual reasoning beyond convolutions. Xinlei Chen, Li-Jia Li, Li Fei-Fei, Abhinav Gupta. CVPR 2018. 

    https://arxiv.org/pdf/1803.11189.pdf

  • Large-scale point cloud semantic segmentation with superpoint graphs. Loic Landrieu, Martin Simonovsky. CVPR 2018. 

    https://arxiv.org/pdf/1711.09869.pdf

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

    https://arxiv.org/pdf/1806.07243

  • Out of the box: Reasoning with graph convolution nets for factual visual question answering. Medhini Narasimhan, Svetlana Lazebnik, Alexander G. Schwing. NeurIPS 2018. 

    https://arxiv.org/pdf/1811.00538.pdf

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

    http://papers.nips.cc/paper/7456-symbolic-graph-reasoning-meets-convolutions.pdf

  • Few-shot learning with graph neural networks. Victor Garcia, Joan Bruna. ICLR 2018. 

    https://arxiv.org/abs/1711.04043

  • Factorizable net: an efficient subgraph-based framework for scene graph generation. Yikang Li, Wanli Ouyang, Bolei Zhou, Jianping Shi, Chao Zhang, Xiaogang Wang. ECCV 2018. 

    https://arxiv.org/abs/1806.11538

  • Graph r-cnn for scene graph generation. Jianwei Yang, Jiasen Lu, Stefan Lee, Dhruv Batra, Devi Parikh. ECCV 2018. 

    https://arxiv.org/pdf/1808.00191.pdf

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

    https://arxiv.org/pdf/1808.07962.pdf

  • Neural graph matching networks for fewshot 3d action recognition. Michelle Guo, Edward Chou, De-An Huang, Shuran Song, Serena Yeung, Li Fei-Fei ECCV 2018. 

    http://openaccess.thecvf.com/content_ECCV_2018/papers/Michelle_Guo_Neural_Graph_Matching_ECCV_2018_paper.pdf

  • Rgcnn: Regularized graph cnn for point cloud segmentation. Gusi Te, Wei Hu, Zongming Guo, Amin Zheng. 2018. 

    https://arxiv.org/pdf/1806.02952.pdf

  • Dynamic graph cnn for learning on point clouds. Yue Wang, Yongbin Sun, Ziwei Liu, Sanjay E. Sarma, Michael M. Bronstein, Justin M. Solomon. 2018. 

    https://arxiv.org/pdf/1801.07829.pdf

 

 

02

自然语言处理（NLP）

 

 

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

    https://arxiv.org/abs/1703.04826

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

    https://arxiv.org/pdf/1704.04675

  • Diffusion maps for textual network embedding. Xinyuan Zhang, Yitong Li, Dinghan Shen, Lawrence Carin. NeurIPS 2018. 

    https://arxiv.org/pdf/1805.09906.pdf

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

    https://arxiv.org/abs/1805.02473

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

    https://arxiv.org/pdf/1806.09835.pdf

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

    http://www.aclweb.org/anthology/D18-1032

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

    https://arxiv.org/pdf/1809.10185

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

    https://arxiv.org/pdf/1809.09078.pdf

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

    http://www.aclweb.org/anthology/N18-2078

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

    https://arxiv.org/pdf/1809.05679.pdf

 

 

03

互联网

 

 

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

    http://ix.cs.uoregon.edu/~thien/pubs/graphConv.pdf

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

    https://arxiv.org/pdf/1804.08049.pdf

  • Adversarial attacks on neural networks for graph data. Daniel Zügner, Amir Akbarnejad, Stephan Günnemann. KDD 2018. 

    https://arxiv.org/pdf/1805.07984.pdf

  • Deepinf: Social influence prediction with deep learning. Jiezhong Qiu, Jian Tang, Hao Ma, Yuxiao Dong, Kuansan Wang, Jie Tang. KDD 2018. 

    https://arxiv.org/pdf/1807.05560.pdf

 

 

04

推荐系统

 

 

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

    https://arxiv.org/abs/1704.06803

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

    https://arxiv.org/abs/1706.02263

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

    https://arxiv.org/pdf/1806.01973.pdf

  • Session-based Recommendation with Graph Neural Networks. Shu Wu, Yuyuan Tang, Yanqiao Zhu, Liang Wang, Xing Xie, Tieniu Tan. AAAI 2019. 

    https://arxiv.org/pdf/1811.00855.pdf

 

 

05

医疗健康

 

 

  • Gram:graph-based attention model for healthcare representation learning Edward Choi, Mohammad Taha Bahadori, Le Song, Walter F. Stewart, Jimeng Sun. KDD 2017. 

    https://arxiv.org/pdf/1611.07012.pdf

  • MILE: A Multi-Level Framework for Scalable Graph Embedding. Jiongqian Liang, Saket Gurukar, Srinivasan Parthasarathy. 

    https://arxiv.org/pdf/1802.09612.pdf

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

    https://arxiv.org/abs/1711.05859

  • GAMENet: Graph Augmented MEmory Networks for Recommending Medication Combination. Junyuan Shang, Cao Xiao, Tengfei Ma, Hongyan Li, Jimeng Sun. AAAI 2019. 

    https://arxiv.org/pdf/1809.01852.pdf

 

 

06

化学

 

 

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

    https://arxiv.org/pdf/1603.00856.pdf

  • Protein interface prediction using graph convolutional networks. Alex Fout, Jonathon Byrd, Basir Shariat, Asa Ben-Hur.NIPS 2017. 

    https://papers.nips.cc/paper/7231-protein-interface-prediction-using-graph-convolutional-networks.pdf

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

    https://arxiv.org/abs/1802.00543

 

 

07

物理学

 

 

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

    https://arxiv.org/pdf/1612.00222.pdf

  • Vain: Attentional multi-agent predictive modeling. Yedid Hoshen. NIPS 2017 

    https://arxiv.org/pdf/1706.06122.pdf

 

 

08

其他领域

 

 

  • Learning to represent programs with graphs. Miltiadis Allamanis, Marc Brockschmidt, Mahmoud Khademi. ICLR 2017. 

    https://arxiv.org/pdf/1711.00740.pdf

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

    http://papers.nips.cc/paper/7335-combinatorial-optimization-with-graph-convolutional-networks-and-guided-tree-search.pdf

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

    http://papers.nips.cc/paper/7597-recurrent-relational-networks.pdf

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

    https://openreview.net/pdf?id=S1sqHMZCb

 

05

文库

 

 

  • pytorch geometric（Pytorch几何）

    https://github.com/rusty1s/pytorch_geometric

  • deep graph library（深度图像库）

    https://github.com/dmlc/dgl

  • graph nets library（图像网络库）

    https://github.com/deepmind/graph_nets

 

 

星标我，每天多一点智慧

星标备选20190408.gif

 

你可能感兴趣的:(图神经网络)

  • PHP中使用grpc服务的教程详解 Oona_01 phpandroid开发语言
    这篇文章主要为大家详细介绍了PHP中使用grpc服务的教程相关知识,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下grpc是通过定义服务端和客户端的代码来实现的通信的。但是要实现通信，还是要将其方法包装为一个http请求，除非你把grpc的服务端代码放在本地的端口上。grpc是面对微服务框架而风生水起的，上次我用python编写了一个图神经网络处理的微服务，使用grpc放在我的服务
  • 基于深度学习的动态场景理解 SEU-WYL 深度学习dnn深度学习人工智能
    基于深度学习的动态场景理解是一种通过计算机视觉技术自动分析和解释动态环境中物体、事件和交互的能力。该技术在自动驾驶、智能监控、机器人导航、增强现实等领域有着广泛应用，通过深度学习模型，特别是卷积神经网络（CNNs）、递归神经网络（RNNs）、图神经网络（GNNs）等，对复杂动态场景进行实时解读。1.动态场景理解的核心技术1.1卷积神经网络（CNNs）**卷积神经网络（CNNs）**擅长处理图像数据
  • 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
  • [Scene Graph] 图神经网络的核心方法——Message Passing 风中摇曳的小萝卜 SceneGraph神经网络深度学习机器学习人工智能
    GNN中的MessagePassing方法解析一、GNN中是如何实现特征学习的？深度学习方法的兴起是从计算图像处理（ComputerVision）领域开始的。以卷积神经网络（CNN）为代表的方法会从邻近的像素中获取信息。这种方式对于结构化数据（structureddata）十分有效，例如，图像和体素数据。但是，CNN的处理方式对于类似图（graph）数据则并不适用。对于一个图而言，类似图像像素的邻
  • 深入理解PyTorch中的MessagePassing 小桥流水---人工智能 深度学习机器学习算法人工智能pytorch人工智能python
    深入理解PyTorch中的MessagePassing图神经网络（GraphNeuralNetworks，简称GNNs）在近年来已成为处理图形数据的一种强大工具，广泛应用于社交网络分析、蛋白质结构预测、知识图谱增强等多个领域。PyTorchGeometric（PyG）是基于PyTorch的一个库，专为图神经网络的研究和实现而设计。在PyG中，MessagePassing类是实现图神经网络层的核心组
  • 【论文阅读】Model Stealing Attacks Against Inductive Graph Neural Networks（2021） Bosenya12 科研学习模型窃取论文阅读图神经网络模型窃取
    摘要Manyreal-worlddata（真实世界的数据）comeintheformofgraphs（以图片的形式）.Graphneuralnetworks(GNNs图神经网络),anewfamilyofmachinelearning(ML)models,havebeenproposedtofullyleveragegraphdata（充分利用图数据）tobuildpowerfulapplicat
  • GNN的理解难点：一种不同于传统神经网络的复杂性 小桥流水---人工智能 人工智能深度学习机器学习算法神经网络人工智能深度学习
    图神经网络（GNN）已经成为深度学习领域的一颗新星，它在处理图形数据方面显示出了巨大的潜力和优势。然而，许多研究者和开发者发现GNN比传统的神经网络更难以理解和掌握。本文将探讨GNN的理解难点，以及它与传统神经网络在概念和实现上的主要差异。一、图数据的复杂性首先，GNN之所以难以理解，一个重要原因在于它处理的数据结构——图。图是一种复杂的数据结构，包含节点（node）和边（edge），这些节点和边
  • 图神经网络GNN的前世今生 小桥流水---人工智能 Python程序代码深度学习人工智能神经网络人工智能深度学习
    GNN图神经网络（GraphNeuralNetwork，简称GNN）已经成为处理图形结构数据的一种强大工具，广泛应用于社交网络分析、知识图谱、推荐系统等领域。在本文中，我们将深入探讨图神经网络的历史背景、关键的发展阶段以及未来可能的发展方向。一、背景介绍图（Graph）是一种数据结构，由节点（Node）和连接节点的边（Edge）组成。在许多现实世界的应用中，数据自然地呈现出图形结构，如社交网络中的
  • 文献01-单细胞多组学 hlllllllhhhhh 文献-单细胞多组学python
    目录【SIMBA系列教程】回顾：KDD2024|HiGPT:当大模型遇上图神经网络Nat.Biotechnol2023|利用MaxFuse整合空间和单细胞数据跨模态弱链接的特征Nat.Commun2024|"单细胞蝴蝶"：基于双对齐变分自编码器的通用单细胞跨模态翻译方法 Nat.Biotech.|LINGER从单细胞多组学数据推断基因调控网络生信乐园#scRNA-seq数据分析#scATAC-se
  • 金融贷款风险预测：使用图神经网络模型进行违约概率评估 从零开始学习人工智能 金融神经网络人工智能
    要使用PyTorch和GNN（图神经网络）来预测金融贷款风险，并加入注意力机制，我们首先需要构建一个贷款风险预测的图数据集。然后，我们将设计一个基于注意力机制的GNN模型。以下是一个简化的代码示例，演示了如何使用PyTorch和PyTorchGeometric（一个流行的图神经网络库）来实现这一点。请注意，这只是一个起点，并且您可能需要根据您的具体需求进行调整。首先，安装必要的库：bash复制代码
  • torch_scatter和torch_sparse用于处理图形数据和稀疏张量·「含有下載地址」 源代码杀手 深度学习数据处理人工智能
    torch_scatter和torch_sparse是PyTorch的两个重要扩展库，用于处理图形数据和稀疏张量。它们通常与深度学习任务中的图神经网络（GNNs）相关联，这些网络涉及对图形结构的学习和推断。torch_scatter库提供了一组用于对稀疏张量执行聚合操作的函数。这些聚合操作包括对节点特征进行聚合，例如对节点邻居的特征进行求和、平均值或最大值等。这在图神经网络中是非常有用的，因为在每
  • 多尺度神经网络新一代创新！精度与速度完美平衡，实现多领域应用落地 深度之眼 深度学习干货人工智能干货深度学习计算机视觉人工智能
    多尺度神经网络的设计通常基于对频率原则的理解，目的是为了解决高频成分学习慢的问题。这些网络通过特殊设计，比如给高频成分加更多的权重或者将高频成分平移到低频，来提高学习效率。为了满足在不同层次上理解和处理数据的需求，多尺度神经网络包含了各种网络结构，常见的多尺度神经网络类型有：多尺度图神经网络、多尺度卷积神经网络、多尺度注意力神经网络、多尺度特征融合网络等。其关键优势在于它们能够整合来自不同尺度的信
  • 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
  • （深度学习快速入门）图对比学习综述笔记-中文信息学报2023第37卷第5期 快乐江湖 深度学习学习笔记
    文章目录引言问题定义和相关背景图定义及其类型对比学习图神经网络图分析的下游任务节点级图对比学习方法实例对比跨级别对比边级别图对比学习图级别对比学习图对比学习扩展不同类型图上的扩展结合监督信息的图对比学习图数据集介绍引言传统的图数据分析通常采用监督学习的框架，即通过人为特征提取或端到端图深度学习模型将图数据作为输入
  • DeepMind加持的GNN框架正式开源,TensorFlow进入图神经网络时代 Python数据挖掘 pythonpython深度学习神经网络
    谷歌在垃圾邮件检测、流量估计以及YouTube内容标签等环境中使用了一种强大的工具GNN（图神经网络）。11月18日，谷歌联合DeepMind对外开源TensorFlowGNN工具，助力流量预测、谣言和假新闻检测、疾病传播建模、物理模拟等领域的基础研究。11月18日，谷歌联合DeepMind发布了TensorFlowGNN（图神经网络）。目前，谷歌已经在诸如垃圾邮件检测、流量估计以及YouTube
  • Google刚刚推出了图神经网络Tensorflow-GNN 新加坡内哥谈技术 神经网络tensorflow人工智能
    每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/在当今数字化的世界里，对象及其之间的复杂关系构成了无数的网络，例如交通网络、生产网络、知
  • ICLR 2024时空数据（Spatial-Temporal）论文汇总 STLearner 时空数据人工智能算法机器学习数据挖掘论文阅读pytorch
    ICLR（InternationalConferenceonLearningRepresentations）在5月7日-11日在奥地利维也纳举行。今年，ICLR共收到7262篇投稿，总体录用率在31%。本文总结了ICLR24有关时空数据的相关论文，如有疏漏，欢迎大家补充。其中包含时空预测，气象预测，因果推断，时空图神经网络，地理大模型等的应用。供大家学习，欢迎大家补充。1.【Spotlight】N
  • 数字IC实践项目（8）—CNN加速器（ASIC_Flow；付费项目补充） IC_Brother 数字IC经典电路设计和实践项目cnn人工智能ASIC数字IC设计
    数字IC实践项目（8）—CNN加速器（ASIC_Flow；付费项目补充）更新说明项目整体框图神经网络框图Filetree项目简介和学习目的软件环境要求Area、QOR、Power&Timing报告Area&QORTiming&Power总结更新说明项目难度：⭐⭐⭐⭐⭐项目推荐度：⭐⭐⭐⭐项目推荐天数：21~35天项目简介：之前的付费项目收获了不少同学的好评，也帮助很多同学在24年的秋招中斩获了心仪
  • 图神经网络与图表示学习: 从基础概念到前沿技术 cooldream2009 AI技术知识图谱神经网络学习php
    目录前言1图的形式化定义和类型1.1图的形式化定义1.2图的类型2图表示学习2.1DeepWalk:融合语义相似性与图结构2.2Node2Vec:灵活调整随机游走策略2.3LINE:一阶与二阶邻接建模2.4NetMF:矩阵分解的可扩展图表示学习2.5Metapath2Vec:异构图的全面捕捉3图神经网络系列3.1基本组成和分类3.2典型模型4图神经网络预训练4.1基于生成模型的预训练4.2基于对比
  • 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
  • Task02 消息传递图神经网络 沫2021
    参考链接：https://github.com/datawhalechina/team-learning-nlp/blob/master/GNN/Markdown%E7%89%88%E6%9C%AC/4-%E6%B6%88%E6%81%AF%E4%BC%A0%E9%80%92%E5%9B%BE%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C.md一、引言消息传递范式是一种聚
  • 人工智能福利站，初识人工智能，图神经网络学习，第三课 普修罗双战士 人工智能专栏人工智能神经网络学习
    作者简介，普修罗双战士，一直追求不断学习和成长，在技术的道路上持续探索和实践。多年互联网行业从业经验，历任核心研发工程师，项目技术负责人。欢迎点赞✍评论⭐收藏人工智能领域知识链接专栏人工智能专业知识学习一图神经网络专栏人工智能专业知识学习二图神经网络专栏人工智能专业知识学习三图神经网络专栏文章目录初识人工智能(图神经网络)一、图神经网络学习(3)21.请解释图神经网络中的前向传播过程。22.请解释
  • 人工智能福利站，初识人工智能，图神经网络学习，第二课 普修罗双战士 人工智能专栏人工智能神经网络学习
    作者简介，普修罗双战士，一直追求不断学习和成长，在技术的道路上持续探索和实践。多年互联网行业从业经验，历任核心研发工程师，项目技术负责人。欢迎点赞✍评论⭐收藏人工智能领域知识链接专栏人工智能专业知识学习一图神经网络专栏人工智能专业知识学习二图神经网络专栏文章目录初识人工智能(图神经网络)一、图神经网络学习(2)11.请介绍常见的图神经网络模型，如GraphConvolutionalNetworks
  • A.关于图计算&图学习的基础知识概览：前置知识点学习（Paddle Graph L）【一】 汀、人工智能 图计算图学习图论图神经网络人工智能
    图学习图神经网络算法专栏简介：主要实现图游走模型(DeepWalk、node2vec)；图神经网络算法(GCN、GAT、GraphSage)，部分进阶GNN模型（UniMP标签传播、ERNIESage）模型算法等，完成项目实战专栏链接：图学习图神经网络算法专栏简介：含图算法（图游走模型、图神经网络算法等）原理+项目+代码实现+比赛前人栽树后人乘凉，本专栏提供资料：快速掌握图游走模型(DeepWal
  • ECE755_gnn图神经网络（附完整工程） _max_max GNN神经网络人工智能深度学习fpga
    ECE755_gnn图神经网络（附完整工程）ECE755课程要求任务1完成：题目要求MS1代码：仿真任务二完成题目要求MS2代码：仿真总结ECE755ECE755_sp23是加拿大渥太华大学（UniversityofOttawa）计算机工程系（SchoolofElectricalEngineeringandComputerScience）的一个研究生课程，涵盖了图神经网络（GraphNeuralN
  • 神经网络研究主要内容,神经网络最新研究方向 快乐的小肥熊 ai智能写作神经网络人工智能深度学习java
    神经网络属于什么的研究范畴谷歌人工智能写作项目：神经网络伪原创图神经网络是什么？人工神经网络涉及什么专业BP神经网络的研究方向神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。主要的研究工作集中在以下几个方面：（1）生物原型研究。从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。（2）建立理论模型。根据生物原型的研究，建立神
  • 人工智能福利站，初识人工智能，图神经网络学习，第一课 普修罗双战士 人工智能专栏人工智能神经网络学习
    作者简介，普修罗双战士，一直追求不断学习和成长，在技术的道路上持续探索和实践。多年互联网行业从业经验，历任核心研发工程师，项目技术负责人。欢迎点赞✍评论⭐收藏人工智能领域知识链接专栏人工智能专业知识学习一图神经网络专栏文章目录初识人工智能(图神经网络)一、图神经网络学习(1)01.什么是图神经网络(GNN)？02.图神经网络与传统神经网络的区别是什么？03.图神经网络有哪些主要的应用领域？04.请
  • 大模型日报-20240204 程序无涯海 大模型资讯篇AIAIGCchatgptGPT大模型人工智能
    文章目录大模型也有小偷？为保护你的参数，上交大给大模型制作「人类可读指纹」阿里全新Agent玩转手机：刷短视频自主点赞评论，还学会了跨应用操作代谢数据集上四项指标达94%~98%，西南交大团队开发多尺度图神经网络框架，助力药物研发A16Z最新AI洞察｜2023年是AI视频元年，2024年还有这些难题需要解决比肩GPT-4，商汤日日新大幅升级4.0，多模态能力领先一步年龄两岁，教龄一年半：婴儿AI训
  • Python GCN、GAT、MP等图神经网络学习，从入门全面概述和讲解GNN，入门到精通图神经网络 医学小达人 推荐算法人工智能图神经网络图神经网络人工智能推荐系统
    1.图的分类：1.1根据边的方向性：有向图（DirectedGraph）：图中的边具有方向性，表示节点之间的单向关系。例如，A指向B的边表示节点A指向节点B。无向图（UndirectedGraph）：图中的边没有方向性，表示节点之间的双向关系。例如，A和B之间的边表示节点A和节点B之间存在连接关系。1.2根据边的是否具有权重：加权图（WeightedGraph）：图中的边具有权重，表示节点之间的强
  • 图神经网络自监督学习工具箱 - CPT-HG（一） processor4d
    文章名称【CIKM-2021】【BeijingUniversityofPostsandTelecommunications/WeChatSearchApplicationDepartment,TencentInc.】ContrastivePre-TrainingofGNNsonHeterogeneousGraphs核心要点文章旨在解决现有预训练图神经网络方法仅仅适用于同质图，忽略了异质图的特点，并
  • windows下源码安装golang 616050468 golang安装golang环境windows
             系统： 64位win7， 开发环境：sublime text 2，  go版本： 1.4.1    1.  安装前准备(gcc, gdb, git)        golang在64位系
  • redis批量删除带空格的key bylijinnan redis
    redis批量删除的通常做法： redis-cli keys "blacklist*" | xargs redis-cli del 上面的命令在key的前后没有空格时是可以的，但有空格就不行了： $redis-cli keys "blacklist*" 1) "blacklist:12: [email protected]
  • oracle正则表达式的用法 0624chenhong oracle正则表达式
      方括号表达示 方括号表达式 描述 [[:alnum:]] 字母和数字混合的字符 [[:alpha:]] 字母字符 [[:cntrl:]] 控制字符 [[:digit:]] 数字字符 [[:graph:]] 图像字符 [[:lower:]] 小写字母字符 [[:print:]] 打印字符 [[:punct：]] 标点符号字符 [[:space:]]
  • 2048源码(核心算法有，缺少几个anctionbar，以后补上) 不懂事的小屁孩 2048
    2048游戏基本上有四部分组成， 1：主activity，包含游戏块的16个方格，上面统计分数的模块 2：底下的gridview，监听上下左右的滑动，进行事件处理， 3：每一个卡片，里面的内容很简单，只有一个text，记录显示的数字 4：Actionbar，是游戏用重新开始，设置等功能(这个在底下可以下载的代码里面还没有实现) 写代码的流程 1：设计游戏的布局，基本是两块，上面是分
  • jquery内部链式调用机理 换个号韩国红果果 JavaScriptjquery
    只需要在调用该对象合适(比如下列的setStyles)的方法后让该方法返回该对象（通过this  因为一旦一个函数称为一个对象方法的话那么在这个方法内部this（结合下面的setStyles）指向这个对象） function create(type){ var element=document.createElement(type); //this=element;
  • 你订酒店时的每一次点击 背后都是NoSQL和云计算 蓝儿唯美 NoSQL
    全球最大的在线旅游公司Expedia旗下的酒店预订公司，它运营着89个网站，跨越68个国家，三年前开始实验公有云，以求让客户在预订网站上查询假期酒店时得到更快的信息获取体验。 云端本身是用于驱动网站的部分小功能的，如搜索框的自动推荐功能，还能保证处理Hotels.com服务的季节性需求高峰整体储能。 Hotels.com的首席技术官Thierry Bedos上个月在伦敦参加“2015 Clou
  • java笔记1 a-john java
    1，面向对象程序设计（Object-oriented Propramming，OOP）：java就是一种面向对象程序设计。 2，对象：我们将问题空间中的元素及其在解空间中的表示称为“对象”。简单来说，对象是某个类型的实例。比如狗是一个类型，哈士奇可以是狗的一个实例，也就是对象。 3，面向对象程序设计方式的特性：     3.1 万物皆为对象。    
  • C语言 sizeof和strlen之间的那些事 C/C++软件开发求职面试题 必备考点（一） aijuans C/C++求职面试必备考点
            找工作在即，以后决定每天至少写一个知识点，主要是记录，逼迫自己动手、总结加深印象。当然如果能有一言半语让他人收益，后学幸运之至也。如有错误，还希望大家帮忙指出来。感激不尽。        后学保证每个写出来的结果都是自己在电脑上亲自跑过的，咱人笨，以前学的也半吊子。很多时候只能靠运行出来的结果再反过来
  • 程序员写代码时就不要管需求了吗？ asia007 程序员不能一味跟需求走
          编程也有2年了，刚开始不懂的什么都跟需求走，需求是怎样就用代码实现就行，也不管这个需求是否合理，是否为较好的用户体验。当然刚开始编程都会这样，但是如果有了2年以上的工作经验的程序员只知道一味写代码，而不在写的过程中思考一下这个需求是否合理，那么，我想这个程序员就只能一辈写敲敲代码了。       我的技术不是很好，但是就不代
  • Activity的四种启动模式 百合不是茶 android栈模式启动Activity的标准模式启动栈顶模式启动单例模式启动
    android界面的操作就是很多个activity之间的切换,启动模式决定启动的activity的生命周期 ;   启动模式xml中配置     <activity android:name=".MainActivity" android:launchMode="standard&quo
  • Spring中@Autowired标签与@Resource标签的区别 bijian1013 javaspring@Resource@Autowired@Qualifier
    Spring不但支持自己定义的@Autowired注解，还支持由JSR-250规范定义的几个注解，如：@Resource、 @PostConstruct及@PreDestroy。   1. @Autowired    @Autowired是Spring 提供的，需导入    Package:org.springframewo
  • Changes Between SOAP 1.1 and SOAP 1.2 sunjing ChangesEnableSOAP 1.1SOAP 1.2
    JAX-WS SOAP Version 1.2 Part 0: Primer (Second Edition) SOAP Version 1.2 Part 1: Messaging Framework (Second Edition) SOAP Version 1.2 Part 2: Adjuncts (Second Edition)   Which style of WSDL
  • 【Hadoop二】Hadoop常用命令 bit1129 hadoop
    以Hadoop运行Hadoop自带的wordcount为例，   hadoop脚本位于/home/hadoop/hadoop-2.5.2/bin/hadoop，需要说明的是，这些命令的使用必须在Hadoop已经运行的情况下才能执行   Hadoop HDFS相关命令  hadoop fs -ls  列出HDFS文件系统的第一级文件和第一级
  • java异常处理（初级） 白糖_ javaDAOspring虚拟机Ajax
    从学习到现在从事java开发一年多了，个人觉得对java只了解皮毛，很多东西都是用到再去慢慢学习，编程真的是一项艺术，要完成一段好的代码，需要懂得很多。 最近项目经理让我负责一个组件开发，框架都由自己搭建，最让我头疼的是异常处理，我看了一些网上的源码，发现他们对异常的处理不是很重视，研究了很久都没有找到很好的解决方案。后来有幸看到一个200W美元的项目部分源码，通过他们对异常处理的解决方案，我终
  • 记录整理-工作问题 braveCS 工作
    1）那位同学还是CSV文件默认Excel打开看不到全部结果。以为是没写进去。同学甲说文件应该不分大小。后来log一下原来是有写进去。只是Excel有行数限制。那位同学进步好快啊。 2）今天同学说写文件的时候提示jvm的内存溢出。我马上反应说那就改一下jvm的内存大小。同学说改用分批处理了。果然想问题还是有局限性。改jvm内存大小只能暂时地解决问题，以后要是写更大的文件还是得改内存。想问题要长远啊
  • org.apache.tools.zip实现文件的压缩和解压，支持中文 bylijinnan apache
    刚开始用java.util.Zip，发现不支持中文（网上有修改的方法，但比较麻烦） 后改用org.apache.tools.zip org.apache.tools.zip的使用网上有更简单的例子 下面的程序根据实际需求，实现了压缩指定目录下指定文件的方法 import java.io.BufferedReader; import java.io.BufferedWrit
  • 读书笔记-4 chengxuyuancsdn 读书笔记
    1、JSTL 核心标签库标签 2、避免SQL注入 3、字符串逆转方法 4、字符串比较compareTo 5、字符串替换replace 6、分拆字符串 1、JSTL 核心标签库标签共有13个， 学习资料：http://www.cnblogs.com/lihuiyy/archive/2012/02/24/2366806.html 功能上分为4类： (1)表达式控制标签：out
  • [物理与电子]半导体教材的一个小问题 comsci 问题
          各种模拟电子和数字电子教材中都有这个词汇-空穴       书中对这个词汇的解释是; 当电子脱离共价键的束缚成为自由电子之后,共价键中就留下一个空位,这个空位叫做空穴       我现在回过头翻大学时候的教材,觉得这个
  • Flashback Database --闪回数据库 daizj oracle闪回数据库
    Flashback 技术是以Undo segment中的内容为基础的， 因此受限于UNDO_RETENTON参数。要使用flashback 的特性，必须启用自动撤销管理表空间。 在Oracle 10g中， Flash back家族分为以下成员： Flashback Database， Flashback Drop，Flashback Query(分Flashback Query,Flashbac
  • 简单排序:插入排序 dieslrae 插入排序
    public void insertSort(int[] array){ int temp; for(int i=1;i<array.length;i++){ temp = array[i]; for(int k=i-1;k>=0;k--)
  • C语言学习六指针小示例、一维数组名含义，定义一个函数输出数组的内容 dcj3sjt126com c
    # include <stdio.h> int main(void) { int * p; //等价于 int *p 也等价于 int* p; int i = 5; char ch = 'A'; //p = 5; //error //p = &ch; //error //p = ch; //error p = &i; //
  • centos下php redis扩展的安装配置3种方法 dcj3sjt126com redis
    方法一 1.下载php redis扩展包  代码如下 复制代码 #wget http://redis.googlecode.com/files/redis-2.4.4.tar.gz 2 tar -zxvf 解压压缩包，cd /扩展包 （进入扩展包然后 运行phpize 一下是我环境中phpize的目录，/usr/local/php/bin/phpize (一定要
  • 线程池(Executors) shuizhaosi888 线程池
    在java类库中，任务执行的主要抽象不是Thread，而是Executor，将任务的提交过程和执行过程解耦 public interface Executor { void execute(Runnable command); }   public class RunMain implements Executor{ @Override pub
  • openstack 快速安装笔记 haoningabc openstack
    前提是要配置好yum源 版本icehouse，操作系统redhat6.5 最简化安装，不要cinder和swift 三个节点 172 control节点keystone glance horizon 173 compute节点nova 173 network节点neutron control /etc/sysctl.conf net.ipv4.ip_forward =
  • 从c面向对象的实现理解c++的对象（二） jimmee C++面向对象虚函数
    1. 类就可以看作一个struct，类的方法，可以理解为通过函数指针的方式实现的，类对象分配内存时，只分配成员变量的，函数指针并不需要分配额外的内存保存地址。 2. c++中类的构造函数，就是进行内存分配(malloc)，调用构造函数 3. c++中类的析构函数，就时回收内存(free) 4. c++是基于栈和全局数据分配内存的，如果是一个方法内创建的对象，就直接在栈上分配内存了。 专门在
  • 如何让那个一个div可以拖动 lingfeng520240 html
    <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml
  • 第10章 高级事件（中） onestopweb 事件
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • 计算两个经纬度之间的距离 roadrunners 计算纬度LBS经度距离
    要解决这个问题的时候，到网上查了很多方案，最后计算出来的都与百度计算出来的有出入。下面这个公式计算出来的距离和百度计算出来的距离是一致的。 /** * * @param longitudeA * 经度A点 * @param latitudeA * 纬度A点 * @param longitudeB *
  • 最具争议的10个Java话题 tomcat_oracle java
    1、Java8已经到来。什么！？ Java8 支持lambda。哇哦，RIP Scala！ 　　随着Java8 的发布，出现很多关于新发布的Java8是否有潜力干掉Scala的争论，最终的结论是远远没有那么简单。Java8可能已经在Scala的lambda的包围中突围，但Java并非是函数式编程王位的真正觊觎者。 　 　2、Java 9 即将到来 　　 Oracle早在8月份就发布
  • zoj 3826 Hierarchical Notation(模拟) 阿尔萨斯 rar
    题目链接：zoj 3826 Hierarchical Notation 题目大意：给定一些结构体，结构体有value值和key值，Q次询问，输出每个key值对应的value值。 解题思路：思路很简单，写个类词法的递归函数，每次将key值映射成一个hash值，用map映射每个key的value起始终止位置，预处理完了查询就很简单了。 这题是最后10分钟出的，因为没有考虑value为{}的情
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他