bbbeoy的专栏

How Graph Neural Networks (GNN) work: introduction to graph convolutions from scratchNikolas Adaloglouon2021-04-08·12minsGraph Neural NetworksSIMILAR ARTICLESGraph Neural NetworksGraph Neural Networks - An overviewBest Graph Neural Network.

​​​​​​如何解决图神经网络（GNN）训练中过度平滑的问题？ - 知乎作者：日知链接：https://www.zhihu.com/question/346942899/answer/835222364来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。不是所有图神经网络都有 over-smooth 的问题，例如，基于 RandomWalk + RNN、基于 Attention 的模型大多不会有这个问题，是可以放心叠深度的～只有部分图卷积神经网络会有该问题。.

Graph Neural Networks - Libraries, Tools, and Learning Resources - neptune.ai

https://zhuanlan.zhihu.com/p/81350196?utm_source=wechat_session

在图网络深度学习中（graph deep learning）中，拉普拉斯矩阵是很常用的概念，深入理解其物理含义非常有助于加深对GNN模型的理解。先说结论：图拉普拉斯矩阵，如果把它看作线性变换的话，它起的作用与数学分析中的拉普拉斯算子是一样的。也就是说拉普拉斯矩阵就是图上的拉普拉斯算子，或者说是离散的拉普拉斯算子。如果是欧式空间中的二阶可微实函数，那么就是在欧式空间中求其二阶微...

https://zhuanlan.zhihu.com/p/56637181

https://zhuanlan.zhihu.com/p/33732033https://blog.youkuaiyun.com/Super_Json/article/details/83589889

在上一篇文章中介绍了GCN浅梦：【Graph Neural Network】GCN: 算法原理，实现和应用​zhuanlan.zhihu.comGCN是一种在图中结合拓扑结构和顶点属性信息学习顶点的embedding表示的方法。然而GCN要求在一个确定的图中去学习顶点的embedding，无法直接泛化到在训练过程没有出现过的顶点，即属于一种直推式(transductive)的学习。本文...

论文：Inductive Representation Learning on Large Graphs作者：William L. Hamilton, Rex Ying, Jure Leskovec来源：NIPS170. 碎碎念PinSAGE（PinSage:第一个基于GCN的工业级推荐系统）为GCN落地提供了实践经验，而本文是PinSAGE的理论基础，同样出自斯坦福，是GCN非常经...

https://blog.youkuaiyun.com/LoseInVain/article/details/90348807

https://blog.youkuaiyun.com/zouxy09/article/details/49105265?locationNum=10

转载自：https://www.jianshu.com/p/0c66b2717972一、半监督学习（Semi-supervised Learning, SSL)机器学习大体可分为三类：监督学习（Supervised Learning, SL）、非监督学习（Unsupervised Learning，USL）及半监督学习 （Semi-supervised Learning， SSL）。监...

如何理解 Graph Convolutional Network（GCN）？https://www.zhihu.com/question/54504471GCN总结https://www.cnblogs.com/nxf-rabbit75/p/11306198.html#auto_id_19图卷积网络 GCN Graph Convolutional Network（谱域G...

恭喜你看到了本系列的第三篇！前面两篇博客分别介绍了基于循环的图神经网络和基于卷积的图神经网络，那么在本篇中，我们则主要关注在得到了各个结点的表示后，如何生成整个图的表示。其实之前我们也举了一些例子，比如最朴素的方法，例如图上所有结点的表示取个均值，即可得到图的表示。那有没有更好的方法呢，它们各自的优点和缺点又是什么呢，本篇主要对上面这两个问题做一点探讨。篇幅不多，理论也不艰深，请读者放心地看。...

在上一篇博客中，我们简单介绍了基于循环图神经网络的两种重要模型，在本篇中，我们将着大量笔墨介绍图卷积神经网络中的卷积操作。接下来，我们将首先介绍一下图卷积神经网络的大概框架，借此说明它与基于循环的图神经网络的区别。接着，我们将从头开始为读者介绍卷积的基本概念，以及其在物理模型中的涵义。最后，我们将详细地介绍两种不同的卷积操作，分别为空域卷积和频域卷积，与其对应的经典模型。读者不需有任何信号处理方面...

本文属于图神经网络的系列文章，文章目录如下：从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (一) 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (二) 从图(Graph)到图卷积(Graph Convolution)：漫谈图神经网络模型 (三)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Sur...

Machine learning on graphs is a difficult task due to the highly complex, but also informative graph structure. This post is the second in a series on how to do deep learning on graphs with Graph Conv...

The most beautiful graph you have ever seen, courtesy ofhttps://www.quora.com/Whats-the-most-beautiful-graph-you-have-ever-seen.In this article, I will walk you through the details of text-based Gr...

https://blog.youkuaiyun.com/lijunweiyhn/article/details/87926425

Machine learning on graphs is a difficult task due to the highly complex, but also informative graph structure. This post is the first in a series on how to do deep learning on graphs with Graph Convo...

摘要：  本文研究了将大规模信息网络embedding到低维向量空间中的问题，这对于可视化，节点分类和链接预测等许多任务是非常有用的。大多数现有的graph embedding方法不能用于通常包含数百万个节点的真实世界信息网络。在本文中，我们提出了一种新的network embedding方法，称为“LINE”，适用于任意类型的信息网络：无向、有向和有权、无权。该方法优化了精心设计的目标函数，能...

最近图相关的理论很火热啊，耳边一直听到各种graph embedding，什么GNN、GCN，结果发现自己对这方面完全不了解，赶紧找几篇论文来读一读。今天这一篇就是大家不管听没听说但总觉得眼熟的node2vec。不用想，这个node2vec一定跟word2vec有血缘关系，所以熟悉word2vec的同学应该可以很快了解node2vec的思想。不同于图像、自然语言这种欧式空间的数据，网络...

OverviewExtracting features from tabular or image data is a well-known concept – but what about graph data? Learn how to extract features from a graph using DeepWalk, a robust and scalable method ...