graphs

[论文笔记]Representation Learning on Graphs: Methods and Applications

RepresentationLearningonNetwork网络表示学习笔记EmbeddingNodesEncoder-decoderViewEncodingMethods1Factorizationbased2RandomWalkbased3DeepLearningbased网络表示学习（RepresentationLearningonNetwork），一般说的就是向量化（Embedding）
Britesun·2022-12-04 14:04

《Inductive representation learning on large graphs》笔记

Introduction这篇论文介绍了一种图卷积网络(Graphconvolutionnetwork)，该论文的图卷积方法很容易理解，没有涉及傅里叶变换。论文的出发点是为图中每个结点计算得到一个低维嵌入向量。已有的基于因式分解的嵌入方法直接为每个单独的结点训练结点的嵌入向量，是transductive。论文提出来的GraphSAGE是一个泛化的归纳(inductive)框架。Transductiv
叫什么就是什么·2022-12-04 14:34

GraphSage: Inductive representation learning on large graphs

背景HamiltonWL,YingR,LeskovecJ.Inductiverepresentationlearningonlargegraphs[C]//Proceedingsofthe31stInternationalConferenceonNeuralInformationProcessingSystems.2017:1025-1035.模型GraphSage被提出\upcite{20}，是
Starry memory·2022-12-04 14:01

Inductive Representation Learning on Large Graphs 论文/GraphSAGE学习笔记

1动机1.1过去的方法现存的方法大多是transductive的，也就是说，在训练图的时候需要将整个图都作为输入，为图上全部节点生成嵌入，每个节点在训练的过程中都是可知的。举个例子，上一次我学习了GCN模型，它的前向传播表达式为：H(l+1)=σ(D~−12A~D~−12H(l)W(l))H^{(l+1)}=σ(\widetildeD^{-\frac{1}{2}}\widetildeA\widet
Dodo·D·Caster·2022-12-04 14:00

Generative Adversarial Zero-ShotRelational Learning for Knowledge Graphs

摘要大规模知识图(KGs)在当前的信息系统中显得越来越重要。为了扩大知识图谱的覆盖范围，以往的知识图谱补全研究需要为新增的关系收集足够的训练实例。在本文中，我们考虑一种新的公式，零镜头学习，以摆脱这种繁琐的策展。对于新添加的关系，我们尝试从其文本描述中了解其语义特征，从而识别不可见关系的事实。为此，我们利用生成对抗网络(GANs)来建立文本和知识图域之间的连接:生成器学会仅使用有噪声的文本描述生成
小蜗子·2022-12-03 01:00

论文笔记：Auto-Encoding Scene Graphs for Image Captioning

Auto-EncodingSceneGraphsforImageCaptioning感觉这篇论文老多地方没读懂！1、提出问题当我们将一张包括未见过的场景的图片输入到网络中时，我们通常会得到一个关于一些显著对象的简单而琐碎的描述，如：“thereisadogonthefloor”，这和目标检测得到的结果差不多。而人类在语句中使用inductivebias来构成搭配和语境推理，而传统的编码器-解码器模
刚学编程的小白( •̥́ ˍ •̀ू )·2022-12-02 20:18

python 绘制对数坐标散点图

importosimportnetworkxasnximportmatplotlib.pyplotaspltimportmathimportnumpyasnpBA=nx.random_graphs.barabasi_albert_graph
forget_fish·2022-12-02 18:08

《Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs》论文阅读笔记

《BetaEmbeddingsforMulti-HopLogicalReasoninginKnowledgeGraphs》论文阅读笔记主要挑战贡献：KG上的推理挑战主要有两个：1.KG的规模很大，每跳一步候选答案集的候选答案数量便指数增长，因此通过跳转来寻找答案不现实；2.绝大多数的现实世界的KG根本不完全，缺少很多边（关系），因此跳转可能都跳不动，根本无法找到答案。BetaE是第一个可以在大型异
我ta·2022-12-01 21:06

Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs 阅读笔记

我的博客链接0.导读0.1文章是关于什么的？（what？）知识图谱，图神经网络，关系预测，链接预测，图注意力模型0.2要解决什么问题？（why？）基于CNN的嵌入模型独立的处理三元组，导致无法覆盖在三元组周围的本地邻居中固有隐含的复杂和隐藏信息。随着模型深度的增加，远方实体的贡献呈指数下降。0.3用什么方法解决？（how？）将不同的权重（注意力）分配给附近的节点，并通过迭代方式通过层传播注意力。提
NYSDY·2022-12-01 21:05

论文阅读 | NIPS‘20 | Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs

很有意思的一篇paper。在众多KnowledgeGraphEmbedding(KGE)的论文中通过问题设计和有意思的解决方式脱颖而出。首先来看看问题设计。一般的KGEmodel都是利用神经网络（大部分是GCN）做点(node)或者边(edge)的低维向量表示，将他们嵌入(embed)到一个低维向量空间的同时尽可能保持他的特征和性质。比如LINE、TransX系列、GraphSAGE、GCN等模型
進擊的烤魚·2022-12-01 21:05

【知识图谱综述】Knowledge Graphs: A Survey

知识图谱综述本文主要在阅读文章KnowledgeGraphs.ACMComput.Surv.,54(4):1–37.2021的基础上进行归纳总结，涉及原理知识较浅，旨在帮助对知识图谱进行较全面的理解。如有错误，还请不吝赐教。1.Intro现代"knowledgegraph"概念起源：2012announcementoftheGoogleKnowledgeGraph相关参考文献知识图谱相关实例htt
PPPerry_1·2022-12-01 21:04

论文阅读：Question Answering Over Temporal Knowledge Graphs

论文阅读：QuestionAnsweringOverTemporalKnowledgeGraphs我们首先在我们的新数据集上应用大型预训练的基于LM的QA方法。然后，我们将时间和非时间的KG嵌入注入到这些LM中，并观察到性能的显着提高。我们还提出了一种新方法CRONKGQA，它能够利用TemporalKGEmbeddings来执行TKGQA。在我们的实验中，CRONKGQA优于所有基线。这些结果表
HeroGGC·2022-12-01 21:03

斯坦福图机器学习CS224W笔记自用: Reasoning in Knowledge Graphs using Embeddings

1.基于嵌入的知识图推理目标：如何对知识图进行多跳推理？知识图推理：回答多跳查询路径查询连接查询Query2box示例：生物医学图知识图谱上的预测查询我们是否可以进行多跳推理，即在不完整、大量的KG上回答复杂的查询？在知识图中，我们有三种查询：一跳查询、路径查询、连接查询，它们的含义如下：预测一跳查询知识图完成问题相当于一跳查询的问题。路径查询通过在路径上添加更多关系，将一跳查询泛化为路径查询。一
小粥铺·2022-12-01 21:02

如何使用图卷积网络在图上进行深度学习（二）（How to do Deep Learning on Graphs with Graph Convolutional Networks）

Part2:Semi-SupervisedLearningwithSpectralGraphConvolutions基于图的机器学习是一项艰巨的任务，因为它非常复杂，而且信息结构也很丰富。这篇文章是有关如何使用图卷积网络（GCN）在图上进行深度学习的系列文章中的第二篇，图卷积网络是一种功能强大的神经网络，旨在直接在图上工作并利用其结构信息。我将简要回顾上一篇文章，但您可以在这里找到该系列的其他部分
学人工智能的皮皮虾·2022-12-01 19:58

How to do Deep Learning on Graphs with Graph Convolutional Networks Part 2:

Machinelearningongraphsisadifficulttaskduetothehighlycomplex,butalsoinformativegraphstructure.ThispostisthesecondinaseriesonhowtododeeplearningongraphswithGraphConvolutionalNetworks(GCNs),apowerfultyp
张博208·2022-12-01 19:53

Paper Notes: Inductive Representation Learning on Large Graphs

InductiveRepresentationLearningonLargeGraphsLINK:https://arxiv.org/abs/1706.02216CLASSIFICATION:SPATAIL-BASEDGCNYEAR:Submittedon7Jun2017(v1),lastrevised10Sep2018(thisversion,v4)FROM:NIPS2017WHATPROBLE
HotChoc·2022-12-01 19:51

文献学习(part103)--Inductive Representation Learning on Large Graphs

学习笔记，仅供参考，有错必纠未完待续…文章目录InductiveRepresentationLearningonLargeGraphsAbstractIntroductionRelatedworkProposedmethod:GraphSAGEEmbeddinggeneration(i.e.,forwardpropagation)algorithmLearningtheparametersofGr
GoatGui·2022-12-01 19:20

Machine Learning with Graphs 之 Message Passing and Node Classification

Innetworktheory,collectiveclassificationisthesimultaneouspredictionofthelabelsformultipleobjects,whereeachlabelispredictedusinginformationabouttheobject’sobservedfeatures,theobservedfeaturesandlabelso
猴猴猪猪·2022-11-30 23:55

Machine Learning with Graphs 之 Page Rank

文章目录一、Overview二、PageRank2.1overview2.2algorithm2.3howtosolve三、Reference一、Overview本节主要从矩阵的角度，来对graph进行分析与学习，当然之前所讲的eigenvectorcentrality以及katzindex已经在算法中利用矩阵来进行节点或者边的features计算与设计，但除此之外，将graph视作一个矩阵，还能
猴猴猪猪·2022-11-30 23:25

Machine Learning with Graphs 之 Traditional Methods for Machine Learning in Graphs

文章目录一、Overview二、NodeLevelTasksandFeatures2.1overview2.2Nodedegree2.3NodeCentralityEigenvectorcentralityBetweennesscentralityClosenesscentrality2.4ClusteringCoefficient2.5Graphlets2.6Summary三、LinkPredi
猴猴猪猪·2022-11-30 23:24

Machine Learning with Graphs 之 Matrix Factorization and Node Embeddings

形式化定义networkembedding如上，我们的目标就是让相似的节点拥有更相似的特征。当然最直接的衡量节点相似性的方式就是，如果两个节点u,v相连，则认为两个节点是相似的。即zvTzu=Au,vz_v^Tz_u=A_{u,v}zvTzu=Au,v。前几节所讲的deepwalk以及node2vec是一种通过随机游走的来判断节点相似性的更复杂的方式。
猴猴猪猪·2022-11-30 23:54

Machine Learning with Graphs 之 Random Walk with Restarts and Personalized PageRank

在一个推荐系统中，用一个二分图来代表用户以及商品，它们彼此之间用边连接，构成购买关系。在图论中，二分图是一类特殊的图，又称为二部图、偶图、双分图。二分图的顶点可以分成两个互斥的独立集U和V的图，使得所有边都是连结一个U中的点和一个V中的点。顶点集U、V被称为是图的两个部分。等价的，二分图可以被定义成图中所有的环都有偶数个顶点[1][2]。二分图维基百科我们的目标是图上的近邻性研究，即如果一个用户购
猴猴猪猪·2022-11-30 23:54

Machine Learning with Graphs 之 Anonymous Walk Embeddings

这儿涉及到一个概念anonymouswalks，即匿名游走，具体的论文是ICML2018的同名论文：AnonymousWalkEmbeddings,ICML2018https://arxiv.org/pdf/1805.11921.pdf。首先对于随机游走（randomwalk）而言，它是node的序列，而序列是根据一定的随机游走策略获得的。对于一个randomwalk序列而言，其state往往是节
猴猴猪猪·2022-11-30 23:24

CS224W: Machine Learning with Graphs - 02 Traditional Feature-based Methods

TraditionalFeature-basedMethods1.TraditionalMLPipelineDesignfeaturesfornodes/links/graphsObtainfeaturesforalltrainingdata2.DesignChoicesFeatures:ddd-dimensionalvectorsObjects:Nodes,edges,setofnodes,en
xbfu-xjtu·2022-11-30 23:21

CS224W: Machine Learning with Graphs - 08 GNN Augmentation and Training

GNNAugmentationandTraining0.AGeneralGNNFrameworkIdea:rawinputgraph≠\neq=computationalgraphGraphfeatureaugmentationGraphstructuremanipulation1).WhyAgumentGraphs?Ourassumptionsofarhasbeen:rawinputgraph
xbfu-xjtu·2022-11-30 23:21

CS224W: Machine Learning with Graphs - 09 How Expressive are GNNs

HowExpressiveareGNNs0.TheoryofGNNsHowpowerfulareGNNs?ManyGNNmodelshavebeenproposed(e.g.,GCN,GAT,GraphSAGE)Whatistheexperssivep[ower(abilitytodistinguishdifferentgraphstructures)ofthesemodels?Howtodesi
xbfu-xjtu·2022-11-30 23:21

CS224W: Machine Learning with Graphs - 01 Introduction

Introduction1.CourseOutline1).Traditionalmethods:Graphlets:Graphkernels2).Methodsfornodeembeddings:DeepWalk,Node2Vec3).GraphNeuralNetworks:GCN,GraphSAGE,GAT,TheoryofGNNs4).Knowledgegraphsandreasoning:
xbfu-xjtu·2022-11-30 23:51

Stanford cs224w : machine learning with graphs 筆記

Lecture1:https://github.com/tom99763/cs224w/blob/main/notes/L1-1.%20Graph_Representation.pdfLecture2:Node-LevelFeature:https://github.com/tom99763/cs224w/blob/main/notes/L2-1.%20Node_Level_Feature.pdf
西瓜龍·2022-11-30 23:20

斯坦福Machine Learning with Graphs 学习笔记(第一讲）

作者：林夕本文长度为2900字，建议阅读9分钟本文为大家介绍图网络的基本概念、网络的应用以及图的结构。目录一、WhyNetworks二、网络的应用2.1应用领域三、图的结构3.1网络表示的选择3.2点的度（Degree）3.3图的表示方式邻接矩阵（AdjacencyMatrix）边列表（Edgelist）邻接列表（Adjacencylist）3.4图的连通性参考资料最近我们小组开始整理CS224W
数据分析v·2022-11-30 23:20

Machine Learning with Graphs:Part1

MachineLearningwithGraphs:Part1Survey:图嵌入和广义图网络Hamiltonetal(2017)'s"RepresentationLearningonGraphs:MethodsandApplications"https://arxiv.org/abs/1709.05584摘要：图机器学习是重要且通用的任务。主要挑战是发现表示和编码图结构的途径，以便机器学习模型易
apche CN·2022-11-30 23:20

Machine Learning with Graphs:Part2

MachineLearningwithGraphs:Part21.Nodeembeddings-2.Graphneuralnetworks-Ref:MachineLearningwithGraphshttp://web.stanford.edu/class/cs224w/index.html#scheduleCOMP766-GraphRepresentationLearninghttps://cs
apche CN·2022-11-30 23:20

Machine Learning with Graphs

学习笔记，仅供参考，有错必纠文章目录MachineLearningwithGraphsConvolutionalModelforGraphsComponentsofGraphConvolutionTransE,TranslatingEmbeddingsforModelingMulti-relationalDataManyotherTrans[X]modelsVanillaGraphConvolut
GoatGui·2022-11-30 23:18

DeepWalk代码解释

/example_graphs/karate.adjlist--output../example_graphs/karate.embeddingspython__main__.py
ttliu_kiwi·2022-11-29 11:13

Re37：读论文 G2G Graph2Gauss Deep Gaussian Embedding of Graphs: Unsupervised Inductive Learning via Rank

诸神缄默不语-个人CSDN博文目录论文名称：DeepGaussianEmbeddingofGraphs:UnsupervisedInductiveLearningviaRanking论文下载地址：https://arxiv.org/abs/1707.03815数据集、源码和其他附件下载地址：https://www.kdd.in.tum.de/g2g本文是2018年ICLR论文，关注无监督induc
诸神缄默不语·2022-11-29 10:54

Graph Signal Processing——Part I: Graphs, Graph Spectra, and Spectral Clustering （文献翻译）

目录目录0.Abstract1.Introduction2.图形定义和属性2.1基本定义2.2一些常用的图拓扑2.3图及其相关矩阵的性质3.图矩阵的谱分解(特征分解)3.1邻接矩阵的特征值分解3.1.1特征及最小多项式的性质3.2谱图理论SpectralGraphTheory3.2.1DFT基本函数（离散傅里叶变换）是邻接矩阵特征向量的一种特殊情况3.2.2图积邻接矩阵的分解3.2.3矩阵幂和多项
欧神仙crossover·2022-11-26 16:25

【论文阅读笔记】Multi-modal Knowledge Graphs for Recommender Systems

Multi-modalKnowledgeGraphsforRecommenderSystems1.背景现有的推荐系统主要分为两种方法，基于内容和协同过滤。基于内容的方法是针对user-item的历史交互信息进行推荐的，协同过滤利用user-item群体的行为交互数据进行推荐，然而协同过滤会存在数据稀疏和冷启动的问题。因此，近几年的研究将知识图谱引入推荐系统，提供高阶特性，丰富一些隐藏的连接，增强推
想不出名字就这么着吧·2022-11-26 11:43

【论文笔记】Explainable Reasoning over Knowledge Graphs for Recommendation

原文作者：XiangWang，DingxianWang，CanranXu,XiangnanHe,YixinCao,Tat-SengChua原文标题：ExplainableReasoningoverKnowledgeGraphsforRecommendation原文来源：AAAI2019原文链接：https://ojs.aaai.org//index.php/AAAI/article/view/44
BodyCsoulN·2022-11-26 11:04

文献阅读（27）DySAT: Deep Neural Representation Learning on Dynamic Graphs via Self-Attention Networks

本文是对《DySAT:DeepNeuralRepresentationLearningonDynamicGraphsviaSelf-AttentionNetworks》一文的浅显翻译与理解，如有侵权即刻删除。朋友们，我们在github创建了一个图学习笔记库，总结了相关文章的论文、代码和我个人的中文笔记，能够帮助大家更加便捷地找到对应论文，欢迎star~Chinese-Reading-Notes-o
学徒刘猛·2022-11-26 11:04

[KDD 2022]ROLAND Graph Learning Framework for Dynamic Graphs

ROLAND:GraphLearningFrameworkforDynamicGraphs介绍对于动态图，现有的工作有以下局限：静态图模型不能很好地迁移到动态图上现有的评估方式都不考虑模型和数据的更新现有的方法往往需要把所有或大部分数据读到GPU里，再把所有边用来信息传递，这导致模型不能跑太大的图。此外，很少有工作能让模型快速应用于新数据集上。本工作提出的框架针对上述的三个局限：模型：这个框架可以
yujianke100·2022-11-26 04:58

A Survey on Knowledge Graphs___Representation, Acquisition and Applications.知识图谱综述：表示，获取，应用

知识图谱综述：表示、获取及应用这是研究生第一篇综述文章，第一次读也是花了好几天的时间。摘要:人类的知识提供了对世界的一种形式的理解。表征实体之间结构关系的知识图已成为认知和人的智能研究的热门方向。在这个调查中，我们提供了一个全面的知识图谱综述，包括1)知识图谱表示学习，2)知识获取和完成，3)时序知识图谱，4)知识感知应用，并总结近年来的研究进展，展望未来的研究方向。我们提出了对这些主题进行全面的
yang13563758128·2022-11-26 02:06

【白话】A Survey on Knowledge Graphs: Representation, Acquisition, and Applications-2021年知识图谱综述

2021年知识图谱综述文章目录前言一、知识图表示学习1.表示空间2.评分函数3.编码模型4.辅助信息二、知识的获取和完成知识图谱的完成1.嵌入方法2.路径推理3.基于强化学习的路径发现4.基于规则的推理三、时态知识图1.引入库四、知识感知应用总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的
愿世界永无bug~·2022-11-26 02:34

知识图谱顶刊综述 - (2021年4月) A Survey on Knowledge Graphs: Representation, Acquisition, and Applications

知识图谱综述(2021.4)论文标题:ASurveyonKnowledgeGraphs:Representation,Acquisition,andApplications论文期刊:IEEETRANSACTIONSONNEURALNETWORKSANDLEARNINGSYSTEMS,2021论文地址:https://arxiv.53yu.com/pdf/2002.00388.pdf%E2%80%8
Cheng_0829·2022-11-26 02:03

CS224W课程笔记 第一章 Introduction: Machine Learning with Graphs

目录：CourseLogistics一些注意事项和先修知识主要是课程需要的先修的课程和用到的工具WhyGraphs？ApplicationsofGraphMLChoiceofGraphRepresentation1.CourseLogisticsGraphRepresentationLearningBook课程推荐的参考书Tools（工具）:PyTorchGeometric(PyG),DeepSN
Temple_of_light·2022-11-25 16:10

CS224W-图神经网络 笔记1：Introduction : Structure of Graphs

CS224W-图神经网络笔记1：Introduction:StructureofGraphs本文总结之日CS224WWinter2021只更新到了第四节，所以下文会参考2021年课程的PPT并结合2019年秋季课程进行总结以求内容完整课程主页：CS224W:MachineLearningwithGraphs视频链接：【斯坦福】CS224W：图机器学习(中英字幕|2019秋)文章目录CS224W-图
Johnny__Wang__·2022-11-25 16:09

【Mediapipe】windows C++ 修改hand_tracking可视化部分

如果直接运行官方给的demo，windowsC++多出了许多我不想要的框想要只留下handnesslandmark修改：mediapipe\mediapipe\graphs\hand_tracking\
sxxblogs·2022-11-25 09:13

知识图谱推理论文阅读 Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs

一、主要贡献1、提出了一种基于新出现事实的随时间演化的深度学习架构。动态进化网络将吸收新的事实，从中学习，并基于它们最近的关系和时间行为更新相关实体的嵌入。2、除了预测事实的发生，我们的架构还能预测事实可能发生的时间，这是任何先前的关系学习方法都不能做到的。3、模型支持开放世界假设，缺失的链接不被认为是错误的，而是可能在未来潜在地发生，由于其新颖的动态嵌入过程，它进一步支持对看不见的实体的预测。二
一只小小小猫(^･ｪ･^)·2022-11-25 08:42

时序知识图谱推理：Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs

0摘要：带有时间戳的大规模事件数据的可用性催生了边带有时间的动态知识图谱。在动态的知识图谱中，并没有被很好的理解。基于此，本文提出Know-Evolve，这是一种新颖的深度进化知识网络，可以学习时序的非线性进化的实体表示。事实（边）的出现被建模为一个多变量点过程，其密度函数由基于学习的实体嵌入计算的事实的分数调节。本文的方法可以很好的预测事件的发生和复发时间。1介绍：推理是个很重要的概念，在很多领
缄默L·2022-11-25 08:52

TensorBoard的使用

TensorBoard目前支持7种可视化，Scalars,Images,Audio,Graphs,Distributions,Histograms和Embeddings。其中可视化的主要功能如下。
Indulge in the deam·2022-11-25 00:29

tensorboard ckpt pb 模型的输出节点_tensorboard使用详解

可在定义的目录中生成日志文件，如下：import执行"tensorboard--logdir=D:tf_dirtensorboard_study"，然后在http://localhost:6006/#graphs
weixin_39602280·2022-11-24 14:57

Exploring Relational Semantics for Inductive Knowledge Graph Completion

一些gnn如GraphSAGE(Hamilton,Ying，和Leskovec2017)和GraphS
小蜗子·2022-11-24 12:21
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他