神经网络神经网络可以分为三种主要类型：前馈神经网络、反馈神经网络和图神经网络。

文章目录一、为什么需要图神经网络？

资料：课程网址斯坦福CS224W图机器学习、图神经网络、知识图谱【同济子豪兄】斯坦福大学CS224W图机器学习公开课-同济子豪兄中文精讲cs224w（图机器学习）2021冬季课程学习笔记集合序言到图神经网络

，需要满足以下几个方面：1、图是任意尺寸输入2、图是动态变化的，有时也是多模态数据图，可以实现端到端的表示学习图嵌入，把节点映射为D维向量，并且能够反应原数据的语义信息工具：PyG、NetworkX、dgl

Spatial-TemporalGraphODENetworksforTrafficFlowForecasting摘要交通流量的复杂性和长范围时空相关性是难点经典现存的工作：1.利用浅图神经网络（shallowgraphconvolutionnetworks

摘要图神经网络（GNN）已成为分析和学习图数据的标准工具包。随着领域的发展，确定关键架构并验证可推广到更大，更复杂的数据集的新思路变得至关重要。

文章目录摘要文献阅读1-1题目1-2创新点1-3本文工作2-1题目2-2什么是图2-3图神经网络2-4信息传递3-1题目3-2创新点3-3本文工作深度学习1.GNN的构建步骤2.构建图的方法3.GNN的简单样例总结摘要本周阅读了三篇文章

最近，GoogleResearch的子公司Osom基于图神经网络，开发了气味分析AI。它可以根据化学分子的结构，对分子的气味进行预测。

1图卷积概念图卷积获取特征需要：各节点输入特征、网络结构图。图卷积是半监督任务，不需要全部标签，少量标签也能训练，计算损失时只考虑有标签。2图卷积计算方式针对橙色节点，计算特征：平均其邻居特征（包括自身）后传入神经网络。GCN也可以做多层，每一层输入的还是节点特征。G：图A：邻接矩阵D：各个节点的度F：每个节点的特征其实就是邻接矩阵(A)与特征矩阵(F)进行乘法操作，表示聚合邻居信息。考虑自己：这

参考资料：https://www.bilibili.com/video/BV1BS4y1E7tf/?p=12&spm_id_from=pageDriverNode2vec简述DeepWalk的缺点用完全随机游走，训练节点嵌入向量，仅能反应相邻节点的社群相似信息，无法反映节点的功能角色相似信息。Node2vec通过调节p和q的参数，可以调节权重。p值很小，更愿意返回，则类似BFS，反映的是微观视角。

参考资料：DeepWalk【图神经网络论文精读】word2vec相关论文：EfficientEstimationofWordRepresentationsinVectorSpaceDistributedRepresentationsofWordsandPhrasesandtheirCompositionality

图的基本构成：V：Vertex(ornode)attributesE：Edge(orlink)attributesanddirectionsU：Global(ormasternode)attributes图的邻接矩阵：文本数据也可以表示图的形式，邻接矩阵表示的连接关系。以图像为例子，每个像素点周围都有邻居，A就表示邻居之间的关系。

为什么使用图神经网络？在本书中，我们将重点介绍图学习技术中的深度学习家族，通常称为图神经网络。GNNs是一种新的深度学习架构类别，专门设计用于处理图结构化数据。

图数据处理、图神经网络、图推理和推荐、图数据库和知识图谱等方面将如何应对新时代的挑战？这些问题都值得我们深入探讨和思考。

uGrapher:High-PerformanceGraphOperatorComputationviaUnifiedAbstractionforGraphNeuralNetworksuGraper:通过图神经网络的统一抽象实现高性能图算子计算

图神经网络（GNN）代表了一类强大的深度神经网络架构。在一个日益互联的世界里，因为信息的联通性，大部分的信息可以被建模为图。例如，化合物中的原子是节点，它们之间的键是边。

为什么使用图神经网络？为什么使用图？首先需要回答的问题是：为什么对图感兴趣？图论是对图进行数学研究的学科，它已经成为理解复杂系统和关系的基本工具。

CARE:通过条件图生成的移情反应因果关系推理前言简介基础知识TransformerVariationalGraphAuto-Encoder变分图自编码器`邻接矩阵（adjacencymatrix）``图神经网络

GNNear：基于近内存处理的大规模图神经网络训练加速器图神经网络(GNNs)已经成为分析非欧几里得图数据的最新算法。然而，实现高效的GNN训练是一项挑战，特别是在大规模图上。

如果说SchNet带来了【3D】的火种，DimeNet燃起了【几何】的火苗，那么PAINN则以星火燎原之势跨入【等变】时代。在上一节中，我们提到，PAINN在看到DimeNet取得的成就之后，从另一个角度解决了三体几何问题，顺带着建立起了一个真正超越不变网络的等变模型。在本篇博客中，我们将详细解读PAINN原文，并简单罗列其核心代码结构。PAINN故事背景虽然PAINN作者不会在文章里写，他们的灵

DGL创建异质图：importdglimporttorchdata_dict={('user','follows','user'):(torch.tensor([0,1]),torch.tensor([

CS224W-图神经网络笔记6.2：MessagePassingandNodeClassification-三类主要的节点分类算法介绍本文总结之日CS224WWinter2021只更新到了第四节，所以下文会参考

异构图包含不同类型节点和链接的异构图异构图的定义：节点类别数量和边的类别数量加起来大于2就叫异构图。meta-path元路径的定义：连接两个对象的复合关系，比如，节点类型A和节点类型B，A-B-A和B-A-B都是一种元路径。meta-path下的邻居节点的定义：如下图所示。其中m1-a1-m2，m1-a3-m3都是一种meta-path，所以m1的邻居有m2、m3以及本身m1节点级别的attent

文章目录一.无处不在的图二.如何对图数据做信息挖掘三.图神经网络四.图机器学习常用的编程工具五.图的可视化工具六.常见的图数据库七.图机器学习的应用举例八.结束语一.无处不在的图一切具有关联关系的数据都可以用图来表示

超图嵌入论文阅读2：超图神经网络原文：HypergraphNeuralNetworks——AAAI2019（CCF-A）源码：https://github.com/iMoonLab/HGNN500+star

图神经网络-pyG版本的GCNData（数据）data.x、data.edge_index、data.edge_attr、data.y、data.pos举个例子importtorchfromtorch_geometric.dataimportDataedge_index

图神经网络-pyG-GAT在上一章节介绍了pyG-GCN的使用，除了GCN，还有一些像GAT、GraphSage等等一些，本文将介绍GAT模型的构建实现了一个使用GraphAttentionNetwork

图神经网络-pyG-GAT在上一章节介绍了pyG-GAT的使用，本文将介绍GraphSage模型的构建实现了一个使用GraphSAGE（GraphSampleandAggregated）的节点分类模型，

“我从来没有在哪次分离中流过眼泪，因为我觉得，与还健在的人的离别是世界上第二浪漫的事，因为我们从此离别以后每一次相遇都是重逢，而重逢是世界上第一浪漫的事情。”作者主页：追光者♂个人简介：[1]计算机专业硕士研究生[2]2023年城市之星领跑者TOP1(哈尔滨)[3]2022年度博客之星人工智能领域TOP4[4]阿里云社区特邀专家博主

近些年来，图深度学习，尤其是图神经网络算法展现了极强的学习图的表示的能力，并且促进了许多图上的计算任务的发展。

文章目录1.文章简介2.前言3.方法3.1模型框架4.结果4.1已知隐式口袋在分子动力学模拟分析迅速打开4.2图神经网络模型能够准确预测模拟中口袋的动态变化4.3隐式口袋数据集数据集揭示了新的隐式口袋形成的模式

三维可视化前景如何？好找工作吗？。你可以先去【绘学霸】网站找“3d建模”板块的【免费】视频教程-【点击进入】完整入门到精通视频教程列表：;tagid=307&zdhhr-11y17r-呵呵3170204想要系统的学习可以考虑报一个网络直播课，推荐CGWANG的网络课。老师讲得细，上完还可以回看，还有同类型录播课可以免费学（赠送终身VIP）。自制能力相对较弱的话，建议还是去好点的培训机构，实力和规模

图神经网络一GraphNeuralNetwork写在前面：之前我是学过一些关于神经网络机器学习的内容的，但是因为写博客太麻烦了，所以学的时候就一直没有更新博客，但是后来因为有其他事情有接近两星期没有学习

本期文章将为大家分享飞桨社区开发者肖淙曦、周景博发表于数据挖掘顶会KDD2023的论文《SpatialHeterophilyAwareGraphNeuralNetworks》。肖淙曦肖淙曦，百度研究院商业智能实验室研究实习生，中国科学技术大学在读博士生，主要从事时空数据挖掘和图深度学习相关的研究工作。基于飞桨完成多篇论文，发表于KDD、AAAI等计算机顶级学术会议。周景博周景博，飞桨开发者高级技术

转载公众号|DataFun近几年，图神经网络（GNN）技术在推荐系统中得到了广泛的应用，因为推荐系统中的大部分信息本质上都具有图结构，而GNN在图表示学习方面具有优势。

本期文章将为大家分享飞桨社区开发者肖淙曦、周景博发表于数据挖掘顶会KDD2023的论文《SpatialHeterophilyAwareGraphNeuralNetworks》。肖淙曦肖淙曦，百度研究院商业智能实验室研究实习生，中国科学技术大学在读博士生，主要从事时空数据挖掘和图深度学习相关的研究工作。基于飞桨完成多篇论文，发表于KDD、AAAI等计算机顶级学术会议。周景博周景博，飞桨开发者高级技术

目录背景传统算法存在的问题算法背景动机算法随机序列的生成Node2Vec算法算法的具体流程：总结相关资料背景传统算法存在的问题一些方法中所提出的特征需要依赖人手工定义，这需要特定领域内专业人士来完成，而且依靠人手工定义特征的有效性无法保证。利用一些非监督学习中的降维方法计算效率低，准确度也不够，而且还不能反应出网络的结构特征。算法背景Node2Vec继承于随机游走模型DeepWalk算法模型，也是

GNN持续更新实践程序放在了虚拟机里conda中NS环境里了b站课程跳转------->>>>>【不愧是公认最好的【图神经网络GNN/GCN教程】，从基础到进阶再到实战，一个合集全部到位！

近期读了很多图神经网络（GNN）和分子表征（molecularrepresentation）的论文，正好最近不是很忙，所以我决定把自己的学习过程记录下来，与大家共勉。

SchNet在2018年的面世彻底引爆了神经网络势函数(NNP,NeuralNetworkPotential)领域，虽然说NNP的开山鼻祖还要更早，但均未像SchNet这样真正被物理化学家接受，引发变革。这篇博客浅浅记录下自己阅读SchNet代码的心得。2023年的今天，网上有关SchNet的解读已经出现了很多，也有很多论文从更高的维度审视这一框架，有很多优秀的代码框架对SchNet代码进行了重构

学过高斯软件的人都知道，我们在撰写输入文件gjf时需要准备输入【泛函】和【基组】这两个关键词。【泛函】敲定计算方法，【基组】则类似格点积分中的密度，与计算精度密切相关。部分研究人员借用高斯中的一系列基组去包装输入几何信息（距离、角度和二面角），这样做一方面提高了GNN的可解释性，另一方面也实实在在的提高了模型精度。从AI角度看，embedding则可以看作是几何信息的升维。具体来说：如果模型输入仅

图神经网络（GNN）代表了一类强大的深度神经网络架构。在一个日益互联的世界里，因为信息的联通性，大部分的信息可以被建模为图。例如，化合物中的原子是节点，它们之间的键是边。

中文题目：图神经网络有多强大？

NanjingUniversityofScienceandTechnology】Multi-ScaleContrastiveSiameseNetworksforSelf-SupervisedGraphRepresentationLearning核心要点文章旨在解决现有图神经网络方法严重依赖标注样本的问题

入门目的：训练一个图模型，使得该图模型可以区分图上的黄色节点和绿色节点。特征作为图的节点，颜色就是图的分类。图的度的概念：与节点相连的条数。邻接表记录的是后续邻居的信息；在新闻推荐中，节点是用户和新闻，用户会有一些特征，新闻也会有一些特征。边也会有自己的特征，比如用户阅读新闻的阅读时长、点击频率等；图游走类模型学习资料：pyg-team/pytorch_geometric:GraphNeuralN

3340531.3411927论文题目：《TGCN:TagGraphConvolutionalNetworkforTag-AwareRecommendation》前面一篇论文我们提到了微信看一看团队如何用图神经网络的方式通过对

研究人员已经开发了能够处理图形数据的神经网络（称为图神经网络或GNN）超过十年。最近的发展增强了它们的能力和表达能力。图神经网络开始在诸如抗菌发现、虚假新闻检测、交通

近年来，图神经网络（GNN）领域取得了快速和难以置信的进展，图神经网络又被称为图深度学习、图表示学习，已经成为机器学习特别是深度学习领域发展最快的研究课题之一。

一、面向对象：非欧式数据传统的机器学习所用到的数据是欧氏空间（EuclideanDomain）的数据，欧氏空间下的数据最显著的特征就是有着规则的空间结构，比如图片是规则的正方形栅格，语音数据是一维序列，这些数据能够通过一维或二维的矩阵进行表示。但是，在现实生活中许多数据都是不具备规则的空间结构，即是非欧氏空间下的数据，如电子交易、推荐系统等抽象出来的图谱，图谱中每个节点与其他节点的连接不是固定的。

一、说明在本文中，我们探讨了图神经网络（GNN）在推荐系统中的潜力，强调了它们相对于传统矩阵完成方法的优势。GNN为利用图论来改进推荐系统提供了一个强大的框架。