文章目录摘要文献阅读1.题目2.现有方法存在的局限性3.SR-GNN模型4.模型的组成部分4.1构图4.2item向量表示4.3session向量表示4.4预测模块5.实验与分析5.1数据集5.2比较方法

在本教程中，我们将更深入地了解如何将图神经网络（GNN）应用于图分类任务。图分类是指在给定图的数据集的情况下，基于一些结构图的属性对整个图（与节点相反）进行分类的问题。

目录摘要论文阅读1、标题和现存问题2、使用GNN进行文本分类3、INDUCT-GCN4、实验准备5、实验结果深度学习1、时空图的种类2、图在环境中的应用3、STGNN总结摘要本周在论文阅读上，阅读了一篇

目录摘要论文阅读1、标题和现存问题2、各个结构3、基于GNN-LSTM-CNN网络轨迹预测模型4、实验准备5、实验结果深度学习1、费舍尔判别2、步骤具体化3、GCN总结摘要本周在论文阅读上，阅读了一篇基于

一份PPT带你快速了解GraphTransformer：包括GraphTransformer的简要回顾且其与GNN、Transformer的关联GNN、Transformer与GraphTransformer

目录摘要1引言2前期准备及相关工作2.1异质图挖掘2.2GNN2.3异质GNN3HGT3.1整体HGT架构3.2异质互注意力（HeterogeneousMutualAttention）3.3异质消息传递

https://github.com/CameronDiao/relational-transformer动机标准的Transformer缺少relationalindectivebiases，而这在GNN

PyG（PyTorchGeometric）是一个基于PyTorch的库，用于轻松编写和训练图形神经网络（GNN），用于与结构化数据相关的广泛应用。

作者：京东科技李杰联邦学习和GNN都是当前AI领域的研究热点。联邦学习的多个参与方可以在不泄露原始数据的情况下，安全合规地联合训练业务模型，目前已在诸多领域取得了较好的结果。

代码详见github：https://github.com/whitehat32/cs224w-colab这里的主要思路就是先对每种类型的边使用gnn获得嵌入表示，之后把嵌入表示聚合(聚合方式可以是求均值或者

或者点击链接扫码关注【RecBole-GNN/源码】RecBole-GNN中lightGCN源码解析【RecBole-GNN/源码】RecBole-GNN中lightGCN源码解析原文：https://

First-orderPropagationhigh-orderconnectivityNGCFvsGNNLightGCN摘要3.1LightGCN3.2ModelAnalysis实验本文内容整理自深度之眼《GNN

前言PyG是一个开源的Python库，用于深度学习任务中的图神经网络（GNN）建模和训练。该库包括多个GNN模型和与图相关的数据结构和算法。在本篇文章中，我将介绍PyG中的T

文章目录EC-GCN:Aencryptedtrafficclassificationframeworkbasedonmulti-scalegraphconvolutionnetworks摘要存在的问题论文贡献1.分析和动机图结构分析图节点和边分析2.问题和模型问题定义模型框架3.工作流程4.模型评估总结论文内容数据集EC-GCN:Aencryptedtrafficclassificationfra

图和图移位算子图被定义为三元组集合：：节点：表示个不同label的集合；边：有序对表示可以影响；权重：是上的一个数字，表示影响的程度。有向图与无向图在无向图中，等价于，且，在有向图中是从指向的箭头，权重不一定等于。带权图与无权图对于无权图若边之间存在连接，通常认为的权重是单位“1”，即，而带权图上的权重可以根据需要定义为任意值。图的矩阵表示邻接矩阵：,forall，对于无向图，；节点的度：节点的度

机器之心专栏机器之心编辑部华为诺亚实验室的研究员发现图神经网络（GNN）也能做视觉骨干网络。

2206.00272.pdfgit地址https://github.com/huawei-noah/Efficient-AI-Backbones/tree/master/vig_pytorch相较于之前将GNN

今天想在reddit数据集上跑实验，发现pyg默认的sage_conv是不支持邻居采样、batch训练的，需要使用pyg提供的NeighborLoaderpyg中的NeighborLoader附上一个我自己实现的在reddit上面进行GraphSage的代码：GraphSage_batch.py:importtorchfromtorch_geometric.nnimportSAGEConvfrom

我分析了一下原因：因为任务目标不明确，则容易有为难情绪和拖延因为自己感觉这个任务很难，自己做不好，所以就真的变得做不好了（想想自己的Transformer和GNN）所以，我觉得凡事(尤其是自己觉得困难的事情

一、GNN是怎么被提出来的？比较常见的有CNN、RNN等。CNN的核心在于它的kernel，kernel在图片上平移，通过卷积的方式来提取特征。

引用自Datawhalehttps://github.com/datawhalechina/team-learning-nlp/tree/master/GNN前面文章：图神经网络打卡task1Datawhale

目录1、Dataset基类简介2、图样本封装成批（BATCHING）与DataLoader类3、小图的属性增值与拼接4、二部图（BipartiteGraphs）的节点增值操作5、在新的维度上做拼接6、创建超大规模数据集类实践7、分子图的量子性质预测任务通过试验寻找最佳超参数8、参考资料因为数据集规模超级大，所以我们很难有足够大的内存完全存下所有数据。因此需要一个按需加载样本到内存的数据集类。今天将

论文：论文地址：https://dl.acm.org/doi/pdf/10.1145/3340531.3416021论文题目：《GraphNeuralNetworkforTagRankinginTag-enhancedVideoRecommendation》在短视频推荐领域中基于tag的推荐可以让用户沉浸式的在短视频中浏览短视频，因此如何建模每个短视频的tagembedding就成了微信算法团队要

；1.把源代码当成一个文本内容进行输入利用(NLP)的技术模型（N-gram以及bag-of-words）2.利用ASTs也就是抽象语法树，并且从ASTs中抽取出不同的调用路径用来学习序列样本3.利用GNN

【GNN综述1-模型与应用】GraphNeuralNetworks:AReviewofMethodsandApplications有思维导图有补充知识点

Agentleintroductionongnn前言发表在distill的文章图神经网络在应用上才刚刚开始搭建了一个GNNplayground什么是图图是表示实体之间的关系可以分别表示成点向量、边向量、图向量图可以分为有向图和无向图数据是怎么表示成图图片表示成图：把图上的每一个像素都映射成图上的一个点边是像素之间的关系文本表示成图：上一个词和下一个词之间有一条有向边化学表示图：每一个原子表示成一个

目录摘要1简介2问题定义3拟议模型3.1模型概述3.2标签感知相似性度量3.3相似性感知的邻居选择器3.3.1Top-p采样3.3.2使用RL找到最佳阈值3.4关系感知邻居聚合器3.5提出的CARE-GNN4

本文是一个基于NebulaGraph图算法、图数据库、机器学习、GNN的FraudDetection方法综述。

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，并在OGB图神经网络公认榜单上用小规模数据集

节点分类任务实现Cora数据集搭建GCN模型训练与测试迭代并输出完整代码基本介绍PyTorchGeometricPyG（PyTorchGeometric）是一个基于PyTorch的库，可以轻松编写和训练图神经网络（GNN

COGMEN:COntextualizedGNNbasedMultimodalEmotionrecognitioNCOGMEN:基于GNN的多模态情感识别技术Paper:https://arxiv.org

论文：COGMEN:COntextualizedGNNbasedMultimodalEmotionrecognitioNCOGMEN:基于GNN的多模态情感识别技术论文实现可参考另外一篇论文：本文主要分为俩部分

DGL笔记1——用DGL表示图DGL笔记2——用DGL识别节点DGL笔记3——自己写一个GNN模型今天我们来学习一下DGL是如何表示一个图的。

（在Windows上跑GNN是不是太身残志坚了）以下对应可行的安装时间会对应附上。注意：这里对应的cuda版本，一般情况下只要跟cudatoolkit对应上就行。

本文为转载，原文链接:https://leovan.me/cn/2020/04/graph-embedding-and-gnn/目录图嵌入RandomWalkMatrixFractorizationMetaPathsDeepLearningOthers

概要Q1、为什么是图？A：Graphsareagenerallanguagefordescribingandanalyzingentitieswithrelations/interactionsQ2、为什么图建模很难？Q3、图表示学习最终目的？Q4、目前已发展出哪些模型？Q5、任务类型?Q6、推荐系统中的如何应用？Q7、图的表示方法？Ref：[1].CS224W:MachineLearningwi

目录标题图神经网络基础图基本模块定义图的邻接矩阵点特征的更新（重构）多层GNN图卷积GCN模型GCN基本思想网络层数：基本计算图注意力机制graphattentionnetworkT-GCN序列图神经网络图相似度图神经网络基础图基本模块定义三个特征

今天尝试使用别人一个项目（GitHub-YuWVandy/G2GNN），其中用到了torch-scatter，好像我之前没用过，新建了一个conda环境，然后依次安装，但是装torch-scatter报错

记录一下：在自己定义的模型下面加入这一行就可以查看了：forname,paraminmodel.named_parameters():print(name,'',param.size())运行结果如下所示：gnn.k_weighttorch.Size

:ICLR时间：2018.12论文地址：https://arxiv.org/pdf/1711.04043.pdf论文代码：https://github.com/vgsatorras/few-shot-gnn

基于GNN的小样本学习简介：我们提出利用基于推理的图模型来研究小样本学习问题，输入图像有标签或者隐藏标签。通过使用消息传播算法，我们定义了一种图神经网络来概述最近提出的几种小样本学习的模型。

Paper:PredictthenPropagate:GraphNeuralNetworksmeetPersonalizedPageRankCode:official摘要随着GNN网络层数的提高，存在过平滑和参数量过大难以训练的问题

Paper:GRAPHISOMORPHISMNETWORKCode:摘要作者使用Weisfeiler-Lehman(WL)test和同构图判定问题来评估GNN网络的表达能力，并提出了GIN网络结构，理论分析

标签：图神经网络，GAT，注意力机制，tensorflowGraphSAGE+GNN换成GAT的本质分析在GraphSAGE+GNN的实现中，对邻居节点采用某种方式聚合计算（例如求向量均值），再和中心节点拼接的方式

这篇博客是一篇论文阅读札记，这篇论文的主题是使用GNN来优化加速器设计中的设计空间探索耗时过长的问题。

解决问题：邻域聚合范式为试图提取敏感属性的节点级信息的攻击者暴露了额外漏洞恶意攻击者在推断时，偷取敏感信息传统GNN任务训练推断-->节点攻击或邻接点攻击图对抗神经网络节点防御或邻接点防御推断-->防御对抗攻击如图所示

而对于GNN而言，很少有关于（自监督）预训练相关技术的研究。究其原因可能是图数据集通常规模较小，而且GNN模型通常在结构上

构建一个Baseline神经网络模型为baseline模型准备数据训练baselineclassifier检查baseline模型预测构建图神经网络模型为图模型准备数据图卷积层的实现图神经网络节点分类训练GNN

transformer的结构来自attentionisallyourneed，在NLP、CV、GNN领域都大杀四方。0.0self-attention注意力机制如下左图所示，我们的输入

GPT-GNN:GenerativePre-TrainingofGraphNeuralNetworks文中指出训练GNN需要大量和任务对应的标注数据，这在很多时候是难以获取的。