Daily Plan

2021-10.25

1.看MOPSO的收敛性详细证明过程；（着重看是否可以在满足一定条件下让其收敛）
2.详细看IMOPSO的对于MOPSO改进了什么，改进后怎么就收敛了？是否可以将该改进方式加入到我们的模型中；
3.GNN课程学习；
4.python数据分析学习；

2021-11-4

科学院正式上班第一天

1.看老师修改后的论文；
2.看IMOPSO的收敛性证明；
3.开始写自己的收敛性证明部分；
4.代码改进，加入mutation operator；

2021-11-9

第二周上班

1.开始系统学习GNN知识；
2.改写自己的代码；
3.调试mutation部分的参数设置；
4.入党申请书；

2021.11.11

和老师讨论

1.对论文中related work部分按照老师给出的框架填补内容；
2.介绍一些MOPSO相关的变体算法；
3.将参考文献格式进行改正，就是把所有参考文献统一放在一个文件中；
（以上为当前主要工作）
4.看一下老师写的Algorithm；
5.再改改实验，尽量让citeseer的结果优于FCAN；
	（1）全局最优的选取不只是在变异后的R，试试将变异后的R和变异前的放在一块选取；
	（2）每次求解ui时，不随机初始化，而是将上一次的最优结果作为输入；
6.整理所有重要资料；

2021.11.21

本周完成工作

1.求出所有数据；√
2.将图形重新绘制；√
3.将数据和图补充到论文中；√
4.更改pbest和gbest的求解；√
5.对论文检查和完善；√
6.MISAGA和FSPGA是基于什么的算法；√

2021.11.28

本周完成工作

1.GCN的文章以及代码； √
2.GAT的文章以及代码；√
3.将GAT中的损失函数想办法换成myself
4.python爬虫 ； √
5.python数据处理与分析
6.复习一下图论知识：邻接矩阵的平方（立方）代表什么意思？
7.对正则化进行研究，考虑能不能打破传统的方法；

2020-12-06

本周完成工作

1.https://zhuanlan.zhihu.com/p/145353262(反向传播；)  √
2.https://www.zhihu.com/question/66988664（自定义loss） √
3.看pytorch中怎么对参数正则化，从而看怎么对我们的U进行正则化； √
4.将acc评估改为NMI评估； √
5.检查A和D的使用是否合理；√ 
6.学习pytorch；
https://blog.csdn.net/qq_23997101/article/details/89509810  √
https://blog.csdn.net/weixin_42042056/article/details/105473569  √
7.https://www.cnblogs.com/picassooo/p/13409146.html（NMI）√

8.改GAT代码；√
9.https://blog.csdn.net/itbig/article/details/119301151(python小练习)  √
10.看GNN clustering相关论文；√

2021-12-13

本周完成工作

11https://blog.csdn.net/liufang0001/article/details/77856255/（pandas基本知识）-
12.https://blog.csdn.net/laobai1015/article/details/84580243(tensorflow安装)  √
13.GAT代码修改中改进U的正则化问题； √
14.再次细看老师给的论文；√
15.https://blog.csdn.net/qq_28418387/article/details/95918829（先看）√


1.https://zhuanlan.zhihu.com/p/374547276（GNN相关知识）
2.LGNN代码理解以及进一步思考；√
3.https://blog.csdn.net/weixin_45613751/article/details/104089248?(DGL官方实现LGNN) √
4.https://blog.csdn.net/u014281392/article/details/89436033（DGL基础）√
5.pytorch实现简单函数优化的实例；√
6.https://www.bilibili.com/video/BV1Ri4y1o7Pu?from=search&seid=17933976812189479959&spm_id_from=333.337.0.0(line网络)  √
7.配置一个可以debug的pytorch环境；√
8.入门tensoflow；√
9.凸优化问题是什么？怎么确定是凸优化问题？√
10.①https://blog.csdn.net/zhong_ddbb/article/details/109864783
②https://zhuanlan.zhihu.com/p/115578494（GCNtensorflow实现）   √
11.在GCN的源代码基础上，仅仅改变loss进行实验； √
12.https://blog.csdn.net/qq_30815237/article/details/90033773
（常见损失函数以及正则化）；

2021-12-20

本周完成工作

1.多次进行实验，并针对结果进行分析以及改进；√
2.①http://www.360doc.com/content/19/0525/15/99071_838117683.shtml
②https://zhuanlan.zhihu.com/p/343667804（对聚类评估指标进行学习）；
3.看聚类相似文献；√
4.邻接矩阵的平方的意义；√
5.对x和adj进行norm；√
6.对输出层进行normalization；√
7.将内容矩阵加入loss中；√
8.看数据处理的细节，以及数据的格式要求；
9.对cora数据集进行实验；

2021-12-27

本周完成工作

1.基于GCN，自己实现交叉熵loss，进行实验；√
2.看MAGCN实现细节以及代码，重点看其中attention机制的实现；√（原文无代码）
3.开始基于GAT去进行改进；√
4.https://blog.csdn.net/weixin_43845931/article/details/118713356?（图聚类快速入门）  √

idea：
5。传统卷积层是聚合了相关的信息，考虑是否可以把不相关的信息及进行计算，然后采用合适的方法利用起来；
6.根据GCN得到的图的embedding，利用embedding计算内容矩阵
（①采取FCAN的方法；
②简单计算向量间的相关程度  √）

7.https://www.cnblogs.com/pinard/p/6221564.html（谱聚类知识详解）； √  
8.https://blog.csdn.net/songbinxu/article/details/80838865（谱聚类的实现） √

9.基于GAT求出的内容矩阵，放入FCAN-MOPSO中进行实验；√
10.基于GAT，将adj的处理进行更改进行实验；    √
11.将GAT中的图注意力系数矩阵替换为FCAN的内容矩阵；
12.基于GCN，类似于GAT的方式，在网络层乘以内容矩阵；

2022-01-03

本周完后工作

1.将GAT中的图注意力系数矩阵替换为FCAN的内容矩阵；√	
2.基于GCN，类似于GAT的方式，在网络层乘以内容矩阵；
3.将不相关信息加入到网络层中；
4.检查输入数据是否shuffle过，即保证不能是输入的数据是按节点的顺序输入的；√
5.将标签信息加入FCANloss中；√
6.①https://blog.csdn.net/scw1023/article/details/59109922
②https://blog.csdn.net/zb1165048017/article/details/48937135
（KL的基本知识）√

2022-01-10

本周完成工作

1.再次看相关论文，从更深层去理解意义
2.根据和老师的讨论思路，再进行实验；
3.看相关论文，找有代码的重点看其loss如何实现的；
4.将A+R整体看成是A，然后对其进行normalization；
5.https://www.bilibili.com/read/cv8528306/  (期刊分区)
6.https://blog.csdn.net/u013203733/article/details/81449392
（激活函数的作用）
7.https://www.zhihu.com/question/54504471?sort=created (理解GCN)
8.看GCN代码中，loss是怎么对U进行求导的；

2022-01-17

本周完成工作

1.https://blog.csdn.net/qq_32460819/article/details/109775016
(spektral框架)  √
2.https://zhuanlan.zhihu.com/p/63184325
(MLP)
3.https://zhuanlan.zhihu.com/p/69294347
(autograd)  √
4.https://blog.csdn.net/weixin_43794311/article/details/117471028
（网络参数梯度查看）√
5.https://blog.csdn.net/qq_40268672/article/details/118579535
（GCN-pytorch内部实现）
6.①https://zhuanlan.zhihu.com/p/78467750
②https://blog.csdn.net/D_pens/article/details/107879943  （带代码讲解）
③https://zhuanlan.zhihu.com/p/422380707  （按照算法一步一步进行搭建）
（pyG实现GCN）
7.https://www.cnblogs.com/cxq1126/p/14958440.html
（graph基础以及实现）
8.https://blog.csdn.net/weixin_44546360/article/details/89877336
(pytorch实现MLP)
9.https://zhuanlan.zhihu.com/p/35709485    √
（交叉熵损失函数的由来）
10.https://blog.csdn.net/weixin_43965642/article/details/84988578
（python str常用方法）
11.http://xtf615.com/2019/02/24/gcn/
（图卷积里理论基础）
12.https://zhuanlan.zhihu.com/p/404826711   *******************************
（可作为下次组会讲解的内容）
************************************************************************************
（从GCN到GAT、GCNSage）
13.GAT中attention到底学习了什么？
（看下载的相关论文）
14.https://zhuanlan.zhihu.com/p/429147607
（GraphSage的网络搭建）
15.https://blog.csdn.net/weixin_41171061/article/details/107797561
（cluster-GCN）



8.尝试在GCN网络中多加几层hidden；
9.深入理解Attention的意义；（结合结合下载的相关论文看）
10.将GCN与MLP结合使用；
11.采用多目标优化（embedding+clustering）的方式；
12.看师姐给的一篇相关文献；
13.https://blog.csdn.net/u010626937/article/details/88829096    √
（embedding和representation的区别）
14.https://zhuanlan.zhihu.com/p/336352895
（多种attentation机制以及计算方式）

2022-01-17–02-16

此间为寒假，完成的小任务有

01-15--01-16
15.看已找到的相关资料；
16.搭建完整的理论模型；
17.实现python搭建MLP；
18.继续加强自己的coding；

1.https://zhuanlan.zhihu.com/p/412342870
(模型调优思路)
2.资料整理  √

年后开始学习:
1.阅读领域综述类文章，并根据其开始写自己的大论文；
2.继续研究自己的模型，并且进行实验调优；
3.可以的话先从理论上把论文初步完成；
4.收集工作职位相关信息，并开始着手准备；

2.6-2.13：
1.明白MLP较于GCN的优势；
2.初步看一篇survey；
3.将模型中GCN和MLP换位进行实验；

收假后开始正式上班

2022-02.21-02.27

本周完成工作

2.21-2.27:
1.研读相关代码；
2.想办法验证loss求导的正确性与否；
3.学习github；
4.继续学习数据结构与算法；
5.刷题；

2.22:
1.(tf实现GCN)
①https://blog.csdn.net/zhong_ddbb/article/details/109864783 
②https://blog.csdn.net/VariableX/article/details/109820684 
2.（tf自定义loss）
https://www.cnblogs.com/yinyoupoet/p/13287355.html  
3.研究sc代码中pooling的计算依据；
4.注意到一个问题：相关论文中的loss值都是比较小的，例如[-1,0]之间，一旦将其计算方式改变成较大值，则直接导致结果较差；

2.23
1.搞懂为什么同样的结果acc，用python自带的函数和自己实现的函数的评估结果不一样；
--附加：历年国家线
https://www.sohu.com/a/524482314_120099884
2.聚类评价指标
①https://blog.csdn.net/qq_42887760/article/details/105720735
②https://zhuanlan.zhihu.com/p/53840697
3.python的错误和异常相关语法

2.23.
1.在将除了内容相关的loss之外的loss成功加入到loss计算中；

2.24
1.继续研读dmon代码，搞清楚其逻辑，并将content_loss加入其中；
2.对结果进行测试，做消融实验，研究loss各个部分的重要程度；
3.调参优化；
4.在搞清楚dmon逻辑的基础上，再去完善和改进pytorch代码，力争自己实现整个过程；

2022.02.28–2022.03.06

本周完成工作

02.28-03.06
1. 将整个模型确定下来；
2. 开始准备其他数据集以及对比实验；
3. 有精力的话开始着手小论文的撰写；
4. 继续学习数据结构与算法相关知识并刷题巩固；
5. 学习github基础；
6. 开始学习数据库以及linux相关知识；

02.28
1. 完成算法题目；
2. 将新的理解思路在pytorch框架上进行实验；

03.02
1.完成算法题目；
2.学习相关github的入门知识；
3.看tensorflow代码；

03.03
1.完成算法题目；
2.将自己本地的数据结构算法代码上传到github仓库中；
①如何将本地的仓库关联到远程仓库，并上传；
https://www.cnblogs.com/weigaung/p/9233193.html
②将本地仓库上传到远程时，需要密钥问题的解决；
https://blog.csdn.net/weixin_41010198/article/details/119698015
③个人密钥：
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
3.继续看tensorflow代码，对citeseer数据集做实验；
4.将相关论文进行整理，并确定一篇作为自己的模板；

03.04
1.继续完成算法日常刷题；
2.找论文模板；
3.下载citeseer数据集进行实验；
4.学习tensorflow课程

2022.03.07-2022.03.14

本周完成工作

2022.03.07-2022.03.14
1.分析内容相关性不起作用的原因，并多做实验进行验证；
2.处理数据集，将citeseer数据集进行实验;
3.继续学习数据结构与算法；
4.日常刷题；
5.学习python中字典的使用；（发现字典用处很多很重要）
6.了解职业要求；
7.系统地学习GNN；

03.07
1.将facebook数据集进行处理，并进行了实验；
2.根据和老师的讨论，将X换成A进行实验;

0.3.09
1.开始了解推荐系统相关的知识，搜寻相关论文；
2.相关数据集的处理方式：(这个博主的内容也很值得学习)
https://blog.csdn.net/weixin_41650348/article/details/109406992

03.10
1.numpy中的.npz文件意义以及由来
https://blog.csdn.net/zhaoyunduan1958/article/details/108596695?
2.python对文件的读写方法：(open方式)
https://www.cnblogs.com/zyber/p/9578240.html
3.pandas读取常见文件：
https://blog.csdn.net/weixin_40547993/article/details/89643636?
4.pandas中实现one-hot-encode:
https://blog.csdn.net/maymay_/article/details/80198468
5.scipy稀疏矩阵详解
https://blog.csdn.net/jeffery0207/article/details/100064602?
6.GNN常用数据集介绍及下载地址：
https://blog.csdn.net/qq_32797059/article/details/106577815?
7.GNN资源整理：
https://lqfarmer.blog.csdn.net/article/details/114460767?

03.11
1.重新处理citeseer数据集(去除没有用的数据)；(均有用，暂无需处理)
2.完成数据结构与算法进阶版课程，并上传代码到github；
3.准备一个抢票软件项目，并学习；

2022.03.14-03.20

本周完成的工作

2022.03.14-03.20


2022.03.14
1.继续进行实验；
2.再次学习tensorflow，并将MLP加入到现有模型中，并进行实验；
3.阅读论文，并做笔记；
4.下载国内相关硕士论文，为自己毕设做准备；
5.准备挑战赛；
6.notebook 是可以安装的；

2022.03.15
1.将tensorflow2.0课程学完，并写了博客笔记，并将相关代码上传github；
2.刷算法题；
3.做实验；

2022.03.16
1.研读MAGCN论文，并做笔记；
2.做实验，将MLP加入到网络层；
（1）增加神经元个数；
（2）增加网络层数；
3.开始学习mysql，并做笔记；
4.刷算法题；

2022.03.17
1.继续研读MAGCN论文，并做笔记；
2.做实验，将内容矩阵A进行和邻接矩阵一样的处理，然后将其和特征矩阵一起送入网络中进行训练，loss计算中可考虑将FCAN的邻接矩阵拿来计算；
3.考虑内容矩阵是否可以作为attention；
4.研究代码，看如何将得到的embedding进行decoder；
5.自己实现一个简化版的gnn模型；
6.GCN自动编码代表作：
https://blog.csdn.net/weixin_35505731/article/details/105280643?

03.18
1.自己搭建tf模型；
2.继续做实验；
3.关注Graph-MLP；
4.应该决定自己实现求解内容矩阵的代码;

03.20
1.networkx:用于构建和操作复杂得图结构
https://blog.csdn.net/qq_23889009/article/details/102484550
2.torch_geometric(pyg)的介绍和简单使用
(1)https://blog.csdn.net/qq_33309098/article/details/122305551?
(2)https://blog.csdn.net/qq_36243169/article/details/120063118?
(3)https://blog.csdn.net/qq_40206371/article/details/120616454?
(4)https://blog.csdn.net/kin55/article/details/107871331
(5)https://blog.csdn.net/qq_40206371/article/details/120616454?

2022.03.21-03.27

本周完成工作

2022.03.21-03.27

2022.03.21
1.将内容矩阵作为特征矩阵输入MLP，进行实验；
2.安装torch-geometric，并简单使用；
（失败！！！！！）
(1)安装避坑：https://blog.csdn.net/weixin_47779152/article/details/120570367?
3.single-view和multi-view区别:
https://www.zhihu.com/question/364465426

03.22
1.给网络中添加解码层；
2.继续深读GAECN，开始准备组会内容；
3.将dmon代码重新部署，然后重点研究自己应该如何搭建模型；
（1）怎么使用内容矩阵；
（2）重构损失具体怎么构造;(参考论文)
（3）怎么使用T分布；(参考论文)
4.dmon的cora数据集与其他的有什么区别，为什么？
5.确认数据集的正确处理；

03.23
1.根据新加的decoder层，进行各种实验;
2.日常刷题；
3.继续研读MAGCN；

03.24
1.继续研读MAGCN，并复现；
2.将attention机制加入到自己模型中；
3.搞清楚Multi-view的意义；

03.25
1.对pubmed数据集进行实验；
2.继续看MAGCN代码，搞清楚其工作原理；
3.看MAGCN论文中的实验部分；

03.26
1.将MAGCN中的acc评估函数用到自己的模型；
2.将自己模型中重构的机制进行修改；
3.修改loss的计算方式；
4.看看能不能搞懂注意力机制的数学原理;

03.27
1.用MAGCN跑其他的数据集；
2.将attention机制自己实现，加到自己的模型中；
3.完成ppt；
4.将几篇好的文章(CSDN)看完；
5.python中k-means算法的使用；
6.!!!!!DGL有自带cora等数据集；

2022.03.28-04.02

本周完成工作

03.28-04.02


03.28
1.继续研读MAGCN这篇论文，加深理解;
2.attention机制自己实现，加入自己模型中;
3.对于代码中multi-view部分进行消融实验；
4.完成ppt(包括内容以及自己的汇报思路);
5.对一些基本的数学概念进行复习巩固；

03.29
1.继续完善自己的模型，并进行实验；
2.继续完善ppt以及讲解思路；
3.了解一下scm会议，并在其上找一些相关文章，顺便下载其latex模板;
4.日常复习巩固自己的笔记总结；

03.30
1.阅读SMC上的相关会议论文；
2.开始着手写自己的论文；
（主要先把整体框架和内容大致性定下来)

03.31
1.参考pan师兄的期刊和对应会议文章，看其是怎么改写的；
2.将自己改写的内容框架定下来；
3.学习python os；
4.学习python可视化（matlab也可）；
5.开始改写论文，并完成1，2部分；

04.01
1.争取将论文整体内容框架上完成，为接下来的修改打基础；
2.看老师发的第一篇生信论文；
3.开始日常刷题；
4.完善csdn上MAGCN这篇文献的理解；

04.02
1.完成了论文的整体内容和框架；
2.完成了CSDN上MAGCN的修改完善；

2022.04.03-04.10

本周完成工作

04.03-04.09
1.将IMFCAN完善，并投出去；
2.开始做FCAN-GNN的工作；
3.对GNN基本理论即发展系统地学习；
（了解经典地GNN模型）
4.人工智能基础理论；
5.机器学习基础理论；
（了解重要的框架）
6.深度学习基础理论；
（了解重要的框架）
7.mysql；
8.Linux；

04.03
1.完成简历地撰写；

04.06
1.论文初版已完成；
2.基于和老师的讨论继续在初版基础上进行修改；
3.投递简历；

04.07
1.根据review，以及和导师的讨论，开始完善之前的工作；
2.完成IMFCAN；
3.先画cora的时间对比(pso和FCAN)图；
4.origin安装；(资源在微信)

04.08
1.完成docker的安装；
2.完成IMFCAN论文；
3.dos基本命令；
4.origin安装；

04.09
1.linux的安装；
2.python内置函数的学习；

2022.04.11-04.17

本周完成工作

04.11-04.17
1.将FCAN-MOPSO按照review进行修改;
2.完成上周没有完成的任务；
（1）对AI，ML，DL有综述性的理解：
（2）了解GNN的发展史；(有时间也应该了解其细节)
（3）总结聚类技术，以及应用前景；
（4）深度学习框架总结；
      （注重看一下图相关的框架。）
3.会议投稿；
4.看硕士毕业论文；

04.11
1.分析算法时间复杂度；
2.对cora的运行时间做实验；
3.给华为回复；

04.12
1.分析算法空间复杂度；
2.对cora的运行时间做实验；
（额外完成citeseer的对应实验。）
3.origin快速入门；

04.13
1.论文投稿；
https://ieeesmc2022.org/call-for-papers
2.完成multi_datasets的time实验；

04.14
1.python命令行运行程序；
2.python try的使用方法；
3.python发送邮件；

04.15
1.将multi_datasets实验跑完，并初步进行分析；
2.origin简单入门；
3.python字符串常见操作

04.16
1.将所有数据集的时间转为log形式，目的在于进行标准化，但是又不影响数据之间的相对关系；

04.17
1.论文下载：
Adaptive Graph Encoder for Attributed Graph Embedding（AGE）
2.对比条形图：
grouped bar chart

2022.04.18-04.24

本周完成工作

04.18-04.24
1.开始准备硕士开题的事务(把基本内容搞出来)；
2.完成上周没有完成的任务；
（1）对AI，ML，DL有综述性的理解：
（2）了解GNN的发展史；(有时间也应该了解其细节)
（3）总结聚类技术，以及应用前景；
（4）深度学习框架总结；
      （注重看一下图相关的框架。）
3.看相关硕士毕业论文；
4.看一篇属性图聚类的综述论文；
5.写GNN相关代码；
6.了解三支决策聚类相关研究；
7.学习基本的神经网络类型；
8.有时间的话看一下FCAN的求导推理；
9.看一下之前encoding+decoding的思路是否可以更好地应用于GNN中；(不一定非要做聚类任务)

04.18
1.将FCAN-MOPSO修改完毕，并发给老师；
2.论文下载：
Adaptive Graph Encoder for Attributed Graph Embedding（AGE）
3.看相关硕士论文；
4.多视图，多角度，多模态；


04.19
1.找managerial insights相关的文献；
2.学习mysql；
3.日常刷题；
4.看文献；(硕士论文，GNN相关)
5.复习冒泡、选择、插入、快速排序；
6.投简历（腾讯）；
7.修改简历细节；

04.20
1.查找managerial insights相关资料；
2.日常刷题；
3.学习mysql；
4.看文献（硕士论文，GNN相关）；
5.写GNN相关代码；
6.下载论文：
Spectral clustering on protein-protein interaction networks via constructing affinity matrix using attributed graph embedding

04.21
1.python输入语法；
2.日常刷题；
3.继续看GNN综述论文；
3.managementrial insights；
4.python字符串操作；

04.22
1.整理GNN的综述；
2.开始看AGC的综述(并准备开题答辩)；
3.开始写GNN的代码；
4.日常刷题；
5.有时间的话看一篇生信聚类相关的论文；
6.论文下载：
（1）Autoencoder based community
detection with adaptive integration of network topology and
node contents
（2）Dfuzzy: a deep learning-based fuzzy clustering model for large graphs
7.深层GNN结果差得原因以及当前研究现状；
（3）Opportunities for value-based selling in an economic crisis: Managerial insights from a firm boundary theory
（4）Extensions in efficiency measurement of alternate machine component grouping solutions via data envelopment analysis
8.使用tensorflow实现GCN；
9.再看一遍聚类应用场景和图聚类入门；
10.在属性权重完全未知的情况下，根据模糊理论的方法求其权重；

04.23
1.开题要求；
2.tensorflow实现GCN；
3.看下载的managerial insights的论文；
4.快速过一遍图聚类入门；
5.快速过一遍图聚类应用；
6.TSNE
https://blog.csdn.net/weixin_46649052/article/details/115370386

04.24
1.初步将decoding加入到GCN中，进行深层GNN实验；
2.开始写managerial insights部分；
3.看硕士论文，从整体思想框架上看；
4.怎么可视化特征向量之间的差异性；

2022.04.25-05.01

本周完成工作

04.25
1.社区检测算法
（1）https://blog.csdn.net/weixin_51361084/article/details/123900802
（2）https://zhuanlan.zhihu.com/p/164772126
（3）https://www.jianshu.com/p/0c1ebbd3a246
2.回答问题：
（1）社区检测是什么？
（2）社区检测的意义何在？
（3）社区检测与聚类的关系？
（4）社区概念是什么？与图的概念有什么联系与区别？
3.继续写managerial insights的部分；
4.开始写开题相关的资料；
5.tensorflow实现GCN；

04.26
1.写开题相关材料；
2.loss中的初始信息用graph的最原始信息;
3.easydict：
https://blog.csdn.net/m0_38082419/article/details/79079516
4.学习python sklearn库；

04.27
1.初步完成文献综述的撰写；
2.听组会；

04.28
1.继续完善文献综述的撰写；
2.日常刷题；
3.继续进行实验验证；
4.开始看老师给的要审核的文章。

04.29
1.继续完善文献综述以及相关材料的撰写;
2.日常刷题；
3.荣耀简历投递；

04.30
1.审核文章；
2.投递简历；
3.论文下载：
Visualizing data using t-SNE
4.完善文献综述；

05.01
1.完成文献综述；

2022.05.2-05.08

本周完成工作

05.02
1.开始准备答辩ppt；
2.看一篇基于模型的聚类方法，搞清楚基于模型的深层意义；

05.03
1.完成答辩ppt；
2.凸问题与梯度下降法；
3.GNN邻接矩阵归一化的目的：
（1）将自身特征加入其中；
（2）将数据范围限制在我们需要的范围内，同时保持数据之间的相对关系；
4.Bat算法：
https://blog.csdn.net/hba646333407/article/details/103081669
5.梯度下降VS导数为0：
（1）https://www.pianshen.com/article/27541236323/
（2）
https://copyfuture.com/blogs-details/201912012134025779uvdizhy89ttk5n
6.凸函数还是非凸：
https://blog.csdn.net/RHONYN/article/details/80342126

05.04
1.看文献（社区检测）；
2.看文章；（梯度下降）
3.看ppt；

05.06
1.完成开题相关的资料：
（1）选题来源；
......

05.07
1.参考综述重新修改managerial insights；
2.按照修改意见逐条开始修改，并写回复；
3.将关于GNN证明的两个理论整理出来；
4.PSO的优势（相对于其他启发式算法），找相应的文章阅读；

05.08
1.将回复基本写完；
2.****python启发式算法****：
https://scikit-opt.github.io/scikit-opt/#/zh/README?
3.PSO算法：
https://imonce.github.io/2019/11/06/启发式算法学习（一）：粒子群算法/

2022.05.09-05.15

本周完成工作

2022.05.09-05.15
1.完善GNN实验；
2.开始AAAI论文写作；
3.保持刷题学习；
4.看论文；
5.自己实现GNN模型；(完全自己实现)
6.尝试自己实现FCAN的内容矩阵的求解；
7.leetcode前hot50道题写完；
8.PPI数据集；

05.09
1.检查回复，查漏补缺，完善和修改细节；
（1）时间复杂度与k有关没；
（2）创新点重新规划；
2.整理工作，规划之后的学习内容；

05.10
1.启发式算法；
2.整理论文；
3.开始实验；
4.日常刷题；
5.将每两层之间的信息差进行计算；

05.11
1.继续进行实验，将attention机制加入到实验中；
2.日常刷题；
3.看相关生信文章；

05.12
1.tensorflow实现attention；
2.实验中，把每层recloss加入；

05.13
1.重新设计recloss的计算方式；（考虑不用decoding）
（1）度量两个矩阵的相似性；

2022.05.16-05.23

本周完成工作

2022.05.16-05.22
1.定下模型代码；
2.处理social networks数据集；
3.开始写AAAI论文；
4.日常刷题学习；
5.多看论文（找几篇AAAI的论文看）；
6.PPI网络聚类；
7.代码能力；



2022.05.16
1.开始写AAAI论文；
2.继续完善实验；
3.日常刷题；

05.17
1.完善实验；
2.继续写论文；
3.日常刷题学习；
4.graph_pooling的意义；

05.18
1.完善论文的Intro部分；
2.继续改进实验；
3.日常刷题；
4.搜集AAAI相关论文参考；

05.19
1.开始写论文Pre部分；
2.重点改进实验；
3.日常刷题；
4.graph pooling；
5.开始评审文章；

05.20
1.继续改进实验；
2.日常刷题；
3.继续评审文章；

2022.05.23-05.29

本周完成工作

2022.05.23-05.29
1.确定模型，简化代码；
2.处理数据集；
3.学习pickle和networkx模块；
4.定评估指标；
5.复现deepwalk（GNN）；

05.23
1.整理TFS的response和paper的revision版本，并将最终完整的文件发给老师；

05.24
1.日常刷题；
2.更改GCN代码；（简化原来的代码）
3.继续写论文；
4.看论文；

05.27
1.继续修改代码，查明问题；
（1）加入MLP；
（2）数据集；
（3）loss计算方式；
2.详解Graph-Embedding之DeepWalk、Line、Struct2vec:
https://blog.csdn.net/weixin_40539952/article/details/109781168
3.小工具——寻找节点的一二三阶邻居:
https://blog.csdn.net/qq_37730871/article/details/111562527?
4.zotero文献管理工具：
https://blog.csdn.net/qq_27386899/article/details/122203858?
5.cora_2数据集完整，且实验结果准确；
6.tensorflow基本定义与运算操作：
https://blog.csdn.net/qq_19672707/article/details/105233828

05.29
1.确定模型代码；
2.acc代码的确定；
3.论文中的GNN介绍；
4.聚类指标ARI和Jaccard讲解以及python实现；
（1）https://blog.csdn.net/qq_38563206/article/details/120254567
（2）https://www.freesion.com/article/7748456768/

2022.05.30-06.05

本周完成工作

2022.05.30-06.05
1.处理social数据集；
2.开始对每个数据集进行调优；
3.找对比算法（尽量开源，因为后期要对每个算法在social网络上进行实验）；
4.刷题学习；
5.投递简历；
6.学习服务器知识；
7.GNN 16种模型以及9中池化方法；(微信文章)
8.复习一遍机器学习；

05.30.
1.将代码中的结果评估模块和画图模块单独写成函数；
2.clustering accuracy的自定义以及python内置实现：
https://blog.csdn.net/qq_42887760/article/details/105720735
3.把代码中的pooling操作去掉，进行实验;
4.latex给字母的头上加符号：
https://blog.csdn.net/dlaicxf/article/details/52680666
5.dmon的邻接矩阵没有加入self-loop？（加入了。）

05.31
1.配环境；
2.多进程；
3.写论文；
4.刷题学习；
5.facebook数据集处理；
6.确保citeseer数据集的正确处理；

06.01
1.citeseer处理：
https://blog.csdn.net/weixin_41650348/article/details/109406992
2.将social数据集处理好；
3.继续调参优化；
4.刷题学习；
5.学习服务器相关知识；
6.检查数据集；
7.注意：social数据集中邻接矩阵的处理；
8.跑facebook数据集；

06.02
1.跑实验，继续进行参数优化；
2.服务器相关知识学习；
3.写论文；
4.刷题学习；
5.！！注意注意：解码过程中的邻接矩阵；

2022.06.06-06.12

本周完成工作

2022.06.06-06.12
1.将论文初稿基本写完（包括实验）；
2.读AAAI论文，看其风格；
3.学习服务器相关知识！！！
5.学习牛客的数据挖掘项目；
6.牛客中算法面经汇总；

06.06
1.将论文第三部分写完；
2.调参优化（重点）；
3.投递海尔简历；
4.decoder中的邻接矩阵设置；

06.07
1.调参优化；
2.继续写论文；
3.投递中兴简历；
4.除了邻接矩阵，网络参数？；

06.08
1.完成昨天未完成任务；
2.开始找对比算法；

06.09
1.测试一下网络中的变量有没有变化；
2.tf中初始化参数的方法；
(1)https://blog.csdn.net/FrankieHello/article/details/79781422
(2)https://blog.csdn.net/xiaotian127/article/details/100691042
(3)https://blog.csdn.net/weixin_37479258/article/details/100767897
(4)https://blog.csdn.net/UESTC_C2_403/article/details/72327321（简单易懂）
(5)tf.get_variable()和tf.Variable()的区别（最清晰的解释）
https://tefuirnever.blog.csdn.net/article/details/89577480?
3.试一下一层GCN的效果；
4.把所有数据集的结果跑出来；
5.尝试用GAT代替GCN；

06.10
1.加入attention机制；
2.将网络层重新改写；（可以自动控制层数）
3.loss中的学习参数；
4.加入early_stopping;

2022.06.13-06.19

本周完成工作

2022.06.13-06.19
1.复现目前的三篇论文，将自己复现的结果进行整理；
2.跑完自己的模型（不管结果的好坏）；
3.继续找寻优化的方法；

06.13
1.优化实验；
2.将所有参数提出来，统一配置文件；
3.考虑二阶相似性；

06.14
1.复现GMM-VGAE；
2.看GAE论文；

06.15
1.复现VGAE，并尝试将其与自己的模型结合；
2.从loss构造上出发，看能不能将其改进；（例如：考虑loss的值能不能约束到-1~1之间）

06.16.
808
1.继续优化模型；
2.搜寻相关论文；
3.阅读相关论文，并初步看其代码；
4.cora较好的随机种子：808，4553（最好）

06.17
1.LINE模型中的二阶近似与邻接矩阵的平方的联系与区别？？？
2.对原本的FCAN-loss进行实验；
3.看MGCCN论文；
4.认真详细地把MAGCN再看一遍，尝试将FCAN和Student's t分布结合起来；

2022.06.20-06.26

本周完成工作

2022.06.20-06.26
1.迁移代码：将MAGCN中student's t分布的代码迁移到自己的代码中，并进行实验；
2.重新进行实验，调参优化；
3.确定对比算法（最好都是能自己跑一遍的）；
4.重新修改论文结构框架；
（1）将student's t分布加入；
（2）将崩溃正则化加入；
（3）着重放在修改motivation；
5.将SOTA算法整理写进论文中的相关工作中；


06.20
1.按照MAGCN的方法,重新实现重构损失;
2.MAGCN中没有activation的原因???
3.tf.session.run()的理解；

06.21
1.更改loss的计算:
(1)让未归一化的邻接矩阵参与计算;
(2)添加内容矩阵;
(3)尝试高阶计算;

06.22
1.着重搞清楚了tensorflow中静态图的概念以及tf.Session.run()的用法；
2.将代码重新按照自己的风格进行改写；
3.小小休闲一下...

06.23
1.调参优化；
2.跑一下其他的数据集；
3.改写论文；
4.去掉attention机制；
5.加入激活函数；

2022.06.27-07.03

本周完成工作

2022.06.27-07.03
1.继续对模型进行调参优化，确定每一个数据集的最优结果；
2.将有代码的对比算法进行相应的实验；
3.继续完善论文中对应部分；
4.

06.27
1.将对比算法写入论文中related-work中;
2.F-score的理解以及求解方式；
3.将算法中所有的参数提取出来到config中；
4.FCAN_loss没有发挥出作用？？？（已解决。）

06.28
1.将self-supervised部分加入论文中；
2.尝试换一种attention机制的写法；
3.尝试将每层之间的重构损失都进行计算;
4.多跑数据集，找出我们的结果优于其他模型的数据集；
（1）寻找数据集；
（2）处理数据集；
5.看自己找的新论文；
6.解决了实验重复不出来的问题；
7.还是应该将FCAN的loss反馈到网络优化中；
（1）使用MLP得到的U去逼近Q；

06.29
1.继续优化模型；
2.对其他的数据集进行实验；
3.将attention机制写入论文中；
（1）尝试attention机制的计算换一种方式？？？
（2）GCN中加入偏置项；
（3）GCN中加入残差分析；

06.30
1.优化模型；
（1）完成6.29中的（3）；
2.tensorflow2.0和1.0的区别；
（1）着重代码写法上的区别；
3.对其他数据集进行实验；
4.特征预处理？(导致效果更差！)

07.01
1.ACM数据集还需处理，搞明白其形式；
1.跑DBLP数据集；
2.跑wiki数据集；
2.跑social数据集；