嵌入表示学习是当下研究热点，从word2vec,到node2vec, 到graph2vec，出现大量X2vec的算法。但如何构建向量嵌入理论指导算法设计？最近RWTH Aachen大学的计算机科学教授ACM Fellow Martin Grohe教授给了《X2vec： 构建结构数据的向量嵌入理论》报告，非常干货！

graph2vec:使用word2vec算法的graph2vec算法的简单，简单的实现

HW2Vec：基于Python的设计自动化库，用于嵌入硬件设计 此仓库是以下两个项目的集合： 使用图学习（RTP）在RTL /门级网表中检测硬件* 使用图学习（GNN4IP）进行硬件设计中的IP盗版检测（克隆检测） 我们充分利用从PyHDI为我们的图形提取管道的一部分。 它具有从Verilog代码提取数据流图和控制流图的功能。 常规管道架构如下所示： 目录结构 目录结构（临时）图如下所示： 库代码在hw2vec文件夹中： hw2vec / hw2graph.py：用于从硬件设计生成图形

Vector Hub是一个用于发布，发现和使用最新模型以将数据转换为向量的库。 （Text2Vec，Image2Vec，Video2Vec，Face2Vec，Bert2Vec，Inception2Vec，Code2Vec，LegalBert2Vec等） 有很多方法可以从数据中提取向量。 该库旨在以简单的方式引入所有最新模型，从而轻松地对数据进行矢量化处理。 Vector Hub提供： 从业人员进入门槛低（使用常用方法） 用3行代码向量化丰富和复杂的数据类型，例如：文本，图像，音频等 检索

Graph2Vec ⠀ 抽象 关于图结构化数据的表示学习的最新工作主要集中在学习图子结构（例如节点和子图）的分布式表示。 但是，许多图形分析任务（例如图形分类和聚类）要求将整个图形表示为固定长度的特征向量。 虽然上述方法自然不具备学习此类表示的能力，但图形内核仍然是获得它们的最有效方法。 但是，这些图内核使用手工制作的功能（例如，最短路径，图小图等），因此受到诸如通用性差等问题的阻碍。 为了解决这个限制，在这项工作中，我们提出了一个名为graph2vec的神经嵌入框架，以学习数据驱动的任意大小