注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 五篇与【图神经网络 (GNN) 】相关的论文（来源于KDD 2020）

  2. 本文为大家整理了五篇KDD 2020 图神经网络（GNN）相关论文，供大家参考。——图结构学习、多元时间序列预测、负采样、多任务多视角图表示学习、多兴趣推荐

  3. 所属分类：机器学习

    • 发布日期：2020-05-26
    • 文件大小：13mb
    • 提供者：syp_net

  1. 图神经网络gnn论文推荐

  2. 内含本人学习图神经网络时阅读的论文，非常推荐想要入门和进一步了解图神经网络的朋友下载阅读。

  3. 所属分类：深度学习

    • 发布日期：2020-11-02
    • 文件大小：11mb
    • 提供者：qq_44186838

  1. 《图神经网络推荐系统》2020综述论文

  2. 随着网络信息的爆炸式增长，推荐系统在缓解信息过载方面发挥了重要作用。由于推荐系统具有重要的应用价值，这一领域的研究一直在不断涌现。近年来，图神经网络(GNN)技术得到了广泛的关注，它能将节点信息和拓扑结构自然地结合起来。

  3. 所属分类：机器学习

    • 发布日期：2020-11-07
    • 文件大小：2mb
    • 提供者：syp_net

  1. awesome-self-supervised-gnn:关于图神经网络（GNN）的预训练和自我监督学习的论文-源码

  2. 很棒的自我监督 关于图神经网络（GNN）上自我监督学习的论文。如果您认为缺少与相关主题相关的论文，请随时通过问题或请求请求告知我们。 2021年 [arXiv 2021]使用基于子结构对比的图形表示学习进行药物目标预测 [arXiv 2021]通过元学习进行图神经网络的自我监督辅助学习 [arXiv 2021]图自我监督学习：一项调查 [arXiv 2021]迈向鲁棒图对比学习 [arXiv 2021]动态图神经网络的预训练 [arXiv 2021]图神经网络的自我监督学习：统一审查

  3. 所属分类：其它

  1. Graph-Neural-Network-Note:一个了解图神经网络的博客-源码

  2. 从图（Graph）到图卷积（Graph Convolution）：漫谈图神经网络 Github Markdown对Latex的支持不好，推荐移步阅读，之后会同步更新。 笔者最近看了一些图与图卷积神经网络的论文，深感其强大，但一些调查或教程替换了读者对图神经网络背景知识的了解，对未学过信号处理的读者不太友好。同时，，很多教程只讲是什么，不讲为什么，也没有梳理清楚不同网络结构的区别与设计初衷（Motivation）。 因此，本文试图建立图神经网络的历史脉络，从初步基于不动点理论的图神经网络（图神经网

  3. 所属分类：其它

  1. pytorch-GAT：我对原始GAT论文的实施（Veličković等）。 另外，我还包括了用来查看Cora数据集，GAT嵌入，注意力机制和熵直方图的sparkle.py文件。 我也会尽快添加一个归纳示例（PPI）-源码

  2. GAT-图注意力网络（PyTorch） :laptop: +图形+ :megaphone: = :red_heart: 此回购包含原始GAT论文的PyTorch实现（ :link: ）。 它的目的是简化一般的GAT和GNN的玩法和学习。 目录 什么是GNN？ 图神经网络是一系列神经网络，它们处理图上定义的信号！ 图可以建模许多有趣的自然现象，因此您会发现它们在以下任何地方都得到了使用： 计算生物学-预测强效 计算药理学-预测 流量预测-例如在 推荐系统（用于 ， ， 等）

  3. 所属分类：其它

  1. CSI-GNN-源码

  2. 图神经网络用于基于会话的推荐的复杂结构信息 基于复杂结构信息的图神经网络序列推荐算法 抽象的 摘要 现有的基于图神经网络的会话序列推荐算法能够利用图结构信息达到比较好的推荐效果，但是却没有考虑用户在会话序列中的重复点击行为和项目之间的复杂转换，同时也没有很好地提出图表复杂的结构信息。从而提出一种基于复杂结构信息的图神经网络序列推荐算法。算法结合了会话序列图中的有向结构信息与无向结构信息，通过考虑重复单击和约会注意力机制建立了会话中点击项目的复杂转换模型，从而生成的会话向量在推荐过程中预测地更准确

  3. 所属分类：其它

    • 发布日期：2021-03-31
    • 文件大小：12kb
    • 提供者：weixin_42122988

  1. graph-learn:工业图神经网络框架-源码

  2. 简体中文| 介绍 Graph-Learn（GL，原AliGraph）是针对大规模图神经网络的研发和应用而设计的一种分布式框架，它从实际问题出发，提炼和抽象了一套适合于下图神经网络模型的编程范式，并已经成功应用在*内部的那种搜索推荐，网络安全，知识图谱等众多场景。 GL注重可移植和可扩展，对于开发者更为友好，为了应对GNN在工业场景中的多样性和快速发展的需求。基于GL，开发者可以实现一种GNN算法，或者面向实际场景定制化一种图算子，例如图采样。GL的接口以Python的和与NumPy的形式

  3. 所属分类：其它