目录1. 安装2. 基本概念介绍2.1 Data Handling of Graphs 图形数据处理2.2 Common Benchmark Datasets 常见的基准数据集2.3 Mini-batches2.4 Data Transforms 数据转换2.5 Learning Methods on Graphs——the first graph neural network 搭建我们的第一个
转载
2023-07-24 10:55:00
1080阅读
的建模问题中都使用了GNN方法，便去学习了一番，后来发现了一篇非常不错的GNN的可视化解释文章...
转载
2022-08-11 12:35:13
293阅读
今天学习的是新加坡国立大学和中国科技大学同学合作的论文《Neural Graph Collaborative Filtering》，发表于 2019 年 ACM SIGIR 会议。Embedding 向量是现代推荐系统的核心，但是目前的方法无法捕捉到 user-item 交互中潜在的协作信号。因此，由此产生的 Embedding 向量可能不足以捕获到协同过滤的内容。为此，作者提出神经网络协同过滤（
原创
2021-02-04 20:25:29
1828阅读
今天学习的是 DeepMind 2018 年的工作《Relational inductive biases, deep learning, and graph network》，目前超 500 次引用。这篇论文是 DeepMind 联合谷歌大脑、MIT、爱丁堡大学等 27 名同学发表的重磅论文，同时提出了“图网络”的框架，将端到端学习与归纳推理相结合，并有望解决深度学习无法进行关系推理的问题。这篇
原创
2021-02-04 20:29:45
1339阅读
将二部图中的协同信号捕捉到 Embedding 中
原创
2021-07-24 11:35:36
10000+阅读
DeepMind 联合谷歌大脑、MIT、爱丁堡大学等 27 名同学发表的重磅论文
原创
2021-07-20 15:58:21
801阅读
今天学习的是斯坦福大学的同学 2018 年的工作《Hierarchical Graph Representation Learning with Differentiable Pooling》，目前共有 140 多次引用。目前，GNN 在图分类任务中的处理方法本质上是平面的（Flat），无法学习图形的层次化表达。对于一个包含多个标签的图来说，传统的方法都是为图中每个节点生成一个 Embedding
原创
2021-02-04 20:26:37
319阅读
GNN的可视化解释！近来发现非常多的建模问题中都使用了GNN方法，便去学习了一番，后来发现了一篇非常不错的GNN的可视化解释文章，便将其翻译整理和大家一起分享。目前图模型的应用非常广泛，最典型的如社交网络，蛋白质结构等。
原创
2021-07-09 14:54:54
893阅读
GNN入门之路02 这次是我在GNN学习中的第二次打卡，上一节的内容中我们介绍了GNN的基本原理以及相应的环境配置，这一节我们接上一节的内容，继续讲解GNN及其相应实现。一、消息传递范式 这里我们要引入消息传递范式的概念，顾名思义，它是规定了一种消息传递的方式，这种消息自然是在图神经网络中传播的了，传统的神经网络，消息传递受层次限制，比如i层的神经元信息不能直接传递到i+2层，而GNN则不同如更新
转载
2024-05-13 09:05:41
115阅读
文章目录一、简介二、算法原理三、评价方法四、实验结果五、实验代码 一、简介GN算法是一个经典的社区发现算法，它属于分裂的层次聚类算法，最初，由Michelle Girvan和Mark Newman提出。其基本思想是不断的删除网络中具有相对于所有源节点的最大的边介数的边，然后，再重新计算网络中剩余的边的相对于所有源节点的边介数，重复这个过程，直到网络中，所有边都被删除。边介数（betweennes
转载
2023-10-21 07:53:34
50阅读
今天学习的是剑桥大学的同学 2017 年的工作《GRAPH ATTENTION NETWORKS》，目前引用数量超过 1100 次。Attention 机制在 NLP CV 等领域被广泛应用，其可以帮助模型对输入数据赋予不同的权重信息。同样的，Attention 也可以应用于网络图中，它可以对邻居中不同的节点指定不同的权重，既不需要进行矩阵运算，也不需要事先了解图的全局结构。通过这种方式，作者解决
原创
2021-02-04 20:33:31
1530阅读
今天学习的是 KDD18 的一篇论文《Graph Convolutional Matrix Completion》，作者是阿姆斯特大学的同学，Thomas N. Kipf 大佬是二作。前面我们介绍了 Kipf 大佬利用变分自编码器（VGAE）来完成链接预测问题，链接预测问题放在矩阵中可以被认为是矩阵补全。这篇论文在 VGAE 的基础上提出了 GCMC 模型，设计了一个可微的基于消息传递的图自编码框
原创
2021-02-04 20:31:20
1612阅读
今天学习斯坦福大学同学 2019 年的工作《HOW POWERFUL ARE GRAPH NEURAL NETWORKS?》，这也是 Jure Leskovec 的另一大作。我们知道 GNN 目前主流的做法都是通过迭代地对邻居进行「聚合」（aggreating）和「转换」（transforming）来更新节点的表示向量。而在这篇文章中，本文作者提出了一个可以用于分析 GNN 能力的理论框架，通过对
原创
2021-02-04 20:33:04
478阅读
一、 GraphSAGE GraphSAGE从两个方面对GCN进行了改动，一方面是通过采样邻域策略将GCN全图（full batch）的训练方式改造成以结点为中心的小批量（mini batch）训练方式，这使得大规模图数据的分布式训练成为可能；另一方面是该算法对聚合邻居操作进行了拓展，提出了替换GC ...
转载
2021-07-23 17:47:00
647阅读
2评论
# 使用 PyTorch 实现图神经网络 (GNN)
图神经网络（GNN）是一种处理图数据结构的强大工具。它在社交网络、分子结构分析等领域得到了广泛应用。本篇文章将为初学者提供一个详细的 PyTorch 实现图神经网络的步骤指南。
## 流程概述
在实现 GNN 之前，我们需要明确整个过程的步骤。下面是一个表格，总结了实现 GNN 的主要步骤：
| 步骤 | 描述 |
|------|--
# Python GNN（图神经网络）入门指南
图神经网络（Graph Neural Networks, GNN）是一类专门用于图数据的深度学习模型。与传统的神经网络不同，GNN能够很好地捕捉数据中节点之间的关系，广泛应用于社交网络、推荐系统、化学分子结构分析等领域。
## 什么是图？
在图论中，图由节点（或称为顶点）和边构成。节点可以是人、物体或其他离散实体，而边则表示节点之间的关系。在实
