GraphSAGE 第5页

【论文解读】Inductive Representation Learning on Large Graphs（GraphSAGE）

InductiveRepresentationLearningonLargeGraphsWilliam在2017年发表于NIPS，是一篇关于动态网络表征学习（DynamicNRL）的论文，属于property-preserving方法论文链接：https://papers.nips.cc/paper/6703-inductive-representation-learning-on-large-g

上下C-137·2020-06-29 02:46

图神经网络的简要介绍（基础知识，DeepWalk和GraphSage）

AGentleIntroductiontoGraphNeuralNetworks(Basics,DeepWalk,andGraphSage)图神经网络的简要介绍（基础知识，DeepWalk和GraphSage

Adam坤·2020-06-29 02:17

图卷积（二）-图神经网络

二、图卷积结点映射从“浅”到“深”浅层编码的限制使用图卷积来进行更加复杂的映射GCN图卷积基础模型训练模型概述归纳能力小结图卷积网络graphSAGE观点门卷积网络的观点MPNN（Message-PassingNeuralNetworks

weixin_40248634·2020-06-28 23:04

GraphSAGE_biji

GraphSAGE：工业应用，是目前所有工业上图模型的雏形。归纳式学习，可以泛化到没有未参与训练的节点上。卷积部分可以有很多种，比如平均，pooling，lstm聚合，以及GCN聚合等。

wang2008start·2020-06-27 12:54

####好好好#######【Graph Neural Network】GraphSAGE: 算法原理，实现和应用

本文介绍的GraphSAGE则是一种能够利用顶点的属性信息高效产生

mishidemudong·2020-06-26 21:33

从GNN到GCN(1)--传统GCN和基于空域的MPNN及GraphSage

1.前言图神经网络的最大优势在于可以处理传统神经网络比如RNN和CNN无法处理的具有复杂结构的数据类型，诸如分子结构化合物特性判断或物理模型模型构建的子任务。同时因为图数据包含十分丰富的关系型信息，可以从文本，图像这些非结构化数据中进行推理学习。卷积操作作为非常高效的局部特征提取手段如果可以作用于图神经网络可以高效的处理大量关系型信息2.图卷积的缘起应用传统卷积的欧氏空间和非欧氏空间的区别首先从一

饮冰l·2020-06-26 02:45

Graph Neural Network（GraphSAGE，GAT）

Graph图论问题。如生成树算法，最短路径算法，BFS，DFS。概率图模型。将条件概率表达为图结构，如马尔可夫链，条件随机场。图神经网络。结合深度学习，如博主已经整理过的GraphEmbedding，GraphLSTM/CNN等结合。基本上Graph+NeuralNetwork，即使用了深度学习技术解决图问题就都是GNN的范畴了。而GNN主要是为了解决Non-Euclidean结构的特征向量学习，

上杉翔二·2020-06-25 16:07

GraphSAGE_Inductive Representation Learning on Large Graphs详细笔记

1摘要GraphSAGE使用归纳式的方法解决了之前GCN和其他图学习网络中的直推式方法的问题。

menfer·2020-06-25 10:00

dgl框架实现graphsage代码流程梳理

代码git地址：https://github.com/dmlc/dgl/blob/master/examples/pytorch/graphsage/train_sampling.pydgl在最近的4月份更新的

mydoubts·2020-06-24 16:09

GNN之NIPS19 GNNExplainer-GNNExplainer: Generating Explanations for Graph Neural Networks

转载纪厚业本文由斯坦福Jure组发表在NeurIPS2019上.一作RexYing也是著名的GraphSAGE的作者.代码和数据https://github.com/RexYing/gnn-model-explainer

静静和大白·2020-06-24 07:18

GraphSage 代码阅读笔记

relation也就是边没有embeddingsupervised_train.py是用节点分类的label来做loss训练，不能输出节点embedding，使用NodeMinibatchIteratorunsupervised_train.py是用节点和节点的邻接信息做loss训练，训练好可以输出节点embedding，使用EdgeMinibatchIterator在NodeMinibatchI

guotong1988·2020-06-23 11:40

图神经网络三剑客：GCN、GAT与GraphSAGE

本文主要介绍一下三种常见图神经网络：GCN、GAT以及GraphSAGE。前两者是目前应用比较广泛的图神经网络，后者则为图神经网络的工程应用提供了基础。

PaperWeekly·2020-06-22 19:50

【论文解读 KDD 2018 | PinSage】Graph Convolutional Neural Networks for Web-Scale Recommender Systems

论文链接：https://arxiv.org/abs/1806.01973论文来源：KDD2018斯坦福大学,Pinterest关键词：GCN，推荐系统，web-scale，PinSage本文在GraphSAGE

byn12345·2020-06-22 19:46

图上的机器学习系列-聊聊GraphSAGE

前言本篇结合《InductiveRepresentationLearningonLargeGraphs》来聊聊GraphSAGE。

a_step_further·2020-06-22 11:16

GraphSage代码阅读笔记（TensorFlow版）

GraphSage代码阅读笔记（TensorFlow版）目录一、论文、代码链接二、文件结构三、数据解析3.1.数据集信息表：3.2数据文件解析四、代码运行及其环境安装与配置4.1环境安装4.2代码运行五

不一样的李大爷·2020-06-21 23:55

GNN 学习-从浅到深-从直观理解到数学推导

mostofthematerialsarewritteninChinese.Friendlyforbeginners.Codeiseasilytofindongithub.1.GNNIntuitiveLearningFundamentalgraphtheoryDeepLearningonGraph:GraphSAGE

Billy1900·2020-06-21 17:16

GraphSAGE论文阅读笔记

相对的，GraphSAGE是一个inductive（归纳式）框架，能够高效地利用节点

yanhe156·2020-06-21 14:56

GraphSAGE《Inductive Representation Learning on Large Graphs》阅读笔记

GraphSAGE《InductiveRepresentationLearningonLargeGraphs》阅读笔记Task：nodeclassification最近在读GNN的经典文章，网上对这些文章的解读已经非常透彻

11和hebe·2020-06-21 12:35

【Graph Neural Network】GraphSAGE: 算法原理，实现和应用

本文介绍的GraphSAGE则是一种能够利用顶点的属性信息高效产生

浅梦s·2020-06-21 08:36

【Code】GraphSAGE 源码解析

1.GraphSAGE本文代码源于DGL的Example的，感兴趣可以去github上面查看。阅读代码的本意是加深对论文的理解，其次是看下大佬们实现算法的一些方式方法。

阿泽的学习笔记·2020-06-21 04:27

【GNN】GraphSAGE：GCN 可能没我强

今天看的论文是斯坦福大学的同学的论文《InductiveRepresentationLearningonLargeGraphs》，于2017年发表于NIPS，目前被引次数超过1200次。对于大规模网络图来说，低维的分布编码具有举足轻重的意义，但现有的诸多模型都属于直推式学习（transductive），其可以解决参与训练的节点的编码问题，但无法泛化到未知节点（即，如果有新节点加入需要重新训练）。针

阿泽的学习笔记·2020-06-21 04:26

如何理解 Graph Convolutional Network（GCN）？

知道了Laplacian矩阵在干什么后，剩下的只是解法的不同——所谓的Fourier变换只是将问题从空域变换到频域去解，所以也有直接在空域解的（例如GraphSage）。为了让

森林1997·2020-06-09 14:00

图卷积神经网络笔记——第三章：空域图卷积介绍（1）

上一小节:链接.空域图卷积主要是围绕什么是卷积展开，介绍四个空域卷积模型，分别是：GNN、GraphSAGE、GAT、PGC目录一、简介1、回顾谱域图卷积2、谱域图卷积的缺陷二、四个空域卷积模型1、GNN2

Ma Sizhou·2020-06-09 09:37

图算法源码学习stellargraph-1.graphsage

简介此项目基于tf2.0实现了常用的图算法如GraphSage、GCN、Node2Vec等项目结构├──AUTHORS├──CHANGELOG.md├──CONTRIBUTING.md├──CONTRIBUTORS

logi·2020-04-29 22:06

【源码阅读系列】一：GraphSAGE代码阅读（1）

0.前言昨天发了一篇关于GraphSAGE论文的大致讲解，今天对源码进行部分解析，源码链接。

TwT520Ly·2020-04-01 20:37

论文笔记: Inductive Representation Learning on Large Graphs

将在欧氏空间表现良好的卷积方法作用于变形后的据图结构数据此篇文章提出GraphSage方法旨在找出适用于图结构类型数据的卷积方法，也就是如何在图结构类型的数据上进行类似于卷积的操作。

饮冰l·2020-04-01 19:22

【图表示学习算法系列】一：GraphSAGE-归纳式图表示学习算法

论文题目：InductiveRepresentationLearningonLargeGraphs论文链接：https://arxiv.org/pdf/1706.02216.pdf论文发表在NIPS20170.摘要在一个大型图中，对节点的低纬度嵌入表示是十分有用的，之前的算法需要图中所有的节点信息且对未知数据的泛化能力一般，这种方法被称为transductive；而本文的方法被称为inductiv

TwT520Ly·2020-03-31 18:49

图神经网络 | (5) GraphSAGE实战

该书配套代码本节我们通过代码来介绍GraphSAGE以加深读者对相关知识的理解，如书中介绍的那样，GraphSAGE包括两方面，一是对邻居的采样；二是对邻居的聚合操作。

CoreJT·2020-02-02 21:29

GraphSAGE：我寻思GCN也没我牛逼

同年NIPS来了一篇使用InductiveLearning的GraphSAGE，解决了这个问题。今天，让我们来一起琢磨琢磨这个GraphSAGE是个什么玩意儿。

Stack_empty·2020-01-01 03:59

Graph Embedding之GraphSAGE

Introduction GraphSAGE是大神JureLeskovec团队在图表示学习领域的又一力作。

圈圈_Master·2019-12-24 17:17

神经网络图的简介（基本概念，DeepWalk以及GraphSage算法）

AI研习社·2019-12-21 12:51

Graph-GraphSage

GraphSage[2]提出的动机之一就是解决这个问题。从该方法的名字我们也能看出，区别于传统的全图卷积，GraphSage利用采样(Sample)部分结点的方式进行学

陈柯成·2019-11-16 18:00

GNN（图神经网络）综述学习

一个比较详细但我目前只看得懂一部分且不是很理解的论文：https://zhuanlan.zhihu.com/p/76025331一个看起来还不错我有时间再看的网址：https://easyai.tech/blog/gnn-deepwalk-graphsage

Orange_oranges·2019-09-18 11:42

GraphSAGE: GCN落地必读论文

原文链接：https://aiprocon.csdn.net/作者|WilliamL.Hamilton,RexYing,JureLeskovec来源|NIPS17导读：图卷积网络（GraphConvolutionalNetwork，简称GCN）最近两年大热，取得不少进展。作为GNN的重要分支之一，很多同学可能对它还是一知半解。PinSAGE（PinSage:第一个基于GCN的工业级推荐系统）为GC

AI科技大本营·2019-08-14 15:17

从图嵌入算法到图神经网络

luv_dusk·2019-08-13 15:25

GNN 系列（三）：GraphSAGE

点击上方“Datawhale”，选择“星标”公众号第一时间获取价值内容【引言】在GCN的博文中我们重点讨论了图神经网络的逐层传播公式是如何推导的，然而，GCN的训练方式需要将邻接矩阵和特征矩阵一起放到内存或者显存里，在大规模图数据上是不可取的。其次，GCN在训练时需要知道整个图的结构信息(包括待预测的节点),这在现实某些任务中也不能实现(比如用今天训练的图模型预测明天的数据，那么明天的节点是拿不到

Datawhale·2019-08-09 09:00

GraphSAGE：我寻思GCN也没我厉害！

原文链接：https://aiprocon.csdn.net/作者|郭必扬来源|SimpleAI（ID:SimpleAI_1）众所周知，2017年ICLR出产的GCN现在是多么地热门，仿佛自己就是图神经网络的名片。然而，在GCN的风头中，很多人忽略了GCN本身的巨大局限——TransductiveLearning——没法快速表示新节点，这限制了它在生产环境中应用。同年NIPS来了一篇使用Induc

AI科技大本营·2019-08-05 18:39

图神经网络（GNN）基本知识（DeepWalk 、GraphSage）

【导读】图神经网络(GNN)在各个领域越来越受欢迎，本文介绍了图神经网络的基本知识，以及两种更高级的算法：DeepWalk和GraphSage。

lijfrank·2019-07-07 11:32

[GraphSage Code] model.py

defaggregateneigh_dims=[batch_size*support_sizes[hop],num_samples[len(num_samples)-hop-1],dim_mult*dims[layer]]support_size:表示每一次sample的每一个点的总结点数batch_size:thesizeofeachbatchreshapethehiddenembeddingo

bald·2019-05-02 17:22

神经网络图的简介（基本概念，DeepWalk以及GraphSage算法） ...

cpongo1·2019-03-06 10:08

掌握图神经网络GNN基本，看这篇文章就够了

a6657732617623831051/2019-02-1414:02:50【新智元导读】图神经网络(GNN)在各个领域越来越受欢迎，本文介绍了图神经网络的基本知识，以及两种更高级的算法：DeepWalk和GraphSage

喜欢打酱油的老鸟·2019-02-16 11:56

大规模分布式图学习框架Euler——安装和使用

2.1大规模图的分布式学习2.2支持复杂异构图的表征2.3图学习与深度学习的结合2.4分层抽象与灵活扩展3.内置算法二、Euler安装1.编译2.Euler安装2.1PyPI安装2.2源码编译安装三、GraphSage

Mr_哲·2019-01-21 20:45

GraphSAGE 代码解析(四) - models.py

其他部分内容参见以下链接～GraphSAGE代码解析(一)-unsupervised_train.pyGraphSAGE代码解析(二)-layers.pyGraphSAGE代码解析(三)-aggregators.py1

listenviolet·2018-11-11 08:00

GraphSAGE 代码解析(三) - aggregators.py

其他部分内容参见以下链接～GraphSAGE代码解析(一)-unsupervised_train.pyGraphSAGE代码解析(二)-layers.pyGraphSAGE代码解析(四)-models.py1