Wangzx的博客

总结：图学习笔记（一）～（八）图学习笔记（一）：图图学习笔记（二）：图与图学习图学习笔记（三）：图与图学习图学习笔记（四）：图学习基础概念图学习笔记（五）：图游走类模型图学习笔记（六）：图神经网络算法（一）——GCN和GAT、消息传递机制图学习笔记（七）：图神经网络算法（二）——图采样、邻居聚合图学习笔记（八）：常规赛：论文引用网络节点分类图学习笔记（九）：项目拔高实战图学习笔记（一）：图一. 图是什么？图的定义图的基本表示方法及概念2.1 图的构成2.2 图的概念例子：空手道俱乐部图

会议学习笔记（六）：《深入浅出GCN、GAT、GraphSage，MPNN等图神经网络模型》1. 图神经网络GNN的发展历程2. 从空域(Spatial domain)角度构建的图卷积模型2.1 GraphSAGE模型2.2 GAT模型2.3 MPNN框架3. 从频域(Spectral domain)角度构建的图卷积模型3.1 拉普拉斯矩阵的谱分解3.2 图信号上的傅里叶变换3.3 频域视角下的图卷积1. 图神经网络GNN的发展历程2. 从空域(Spatial domain)角度构建的图卷积模型

GNN（图神经网络）在自然语言处理中的应用大纲GNN基础：GCN 和GATGNN分类：GCN 和GATGCNGATNLP场景：NLP场景：文本分类文本转换成树（图）：Word-sentence relations文本转换成树（图）：ParsingNLP场景：文本摘要生成文本摘要生成分类：2种抽取式摘要要考虑的问题：大致流程：细节1：构建图细节2：学习过程（GAT）细节3：Loss细节4：Predict预测NLP场景：社交网络分析Reference大纲GNN基础：GCN 和GAT图数据到处可见：社

图卷积神经网络图卷积的背景知识图卷积：GCN与CNN的区别：GCN知识图谱KGCN——知识图谱RGCN——相关的RGCN应用：CompRGCNHyper GCN总结图卷积的背景知识CNN或者RNN无法得到图的信息，目前流行的：GCN——GAT（加入了注意力机制）图卷积：特征矩阵：每个结点对应的特征矩阵的维数输入：邻接矩阵、特征矩阵输出：特征矩阵GCN与CNN的区别：GCN：CNN加了图GCN归一化：防止影响模型收敛。使得对角线是有值的。对每行取一个最大值知识图谱KGCN

图学习笔记（九）：新冠疫苗项目拔高实战一个深度学习项目组成部分：数据集代码讲解main.pydataset.pydata_parser.pymodel.pylayers.py终端跑项目项目代码：图学习笔记（九）：项目拔高实战https://aistudio.baidu.com/aistudio/projectdetail/1498513一个深度学习项目组成部分：main.py包括：数据集的生成、模型的构建、训练的构成。dataset.py包括：数据的解析和生成（转化成图结构数据，为了给模型训练）

图学习笔记（八）：

一. 图是什么？1. 图的定义2. 图的基本表示方法及概念2.1 图的构成2.2 图的概念3. 例子：空手道俱乐部图二. 如何存储图？存储图的方式：三种第一种：存储为==边列表==：第二种：使用==邻接矩阵==，这通常是在内存中加载的方式：第三种：使用==邻接列表==：三. 图的类型和性质1. 同构图与异构图四. 主要的图算法：三个1. 寻路和图搜索算法1). 搜索算法2). 寻路算法a. 最短路径b. 单源最短路径c. 所有配对最短路径d. 最小权重生成树2. 社群

图学习笔记（二）：图与图学习回顾五. 图机器学习的发展一. 图机器学习:图学习的主要任务(三种)链接预测（Link prediction）1. 相似度分数1.1 公共邻居1.2 Jaccard系数1.3 Adamic-Adar指数1.4 优先依附2. 性能指标(Performance metrics)节点标记预测（Node labeling）图嵌入（Graph Embedding）小结回顾图论的基本概念图的表示和存储方式同构图和异构图的分类几个基础的图论算法五. 图机器学习的发展一. 图机器学

图学习笔记（三）：图与图学习回顾六. 图神经网络（Graph Neural Networks）一、 什么是图神经网络二、 有哪些图神经网络符号定义1. 图卷积网络（Graph Convolution Networks，GCNs）2. 图注意力网络（Graph Attention Networks）2.1 图注意力网络（Graph Attention Network，GAT）2.2 门控注意力网络（Gated Attention Network，GAAN）2.3 图形注意力模型（Graph Attention

图学习初印象学习图：资料推荐图学习基础概念Part1 什么是图Part2 什么是图学习什么是图学习：图学习的优势：Part3 图可以做什么？——图学习的应用Part4 图学习是怎么做的Part5 PGL 图学习库简介学习图：资料推荐理论方面:综述：Graph Neural Networks: A Review of Methods and ApplicationsA Comprehensive Survey on Graph Neural NetworkS视频：理论课:斯坦福CS22

图学习笔记（五）：图游走类模型图游走类算法简介NLP领域: Word2vecWord2vec: Skip Gram模型图游走类模型实践：生成单条 DeepWalk 游走序列图游走类算法简介图游走类算法的目标：学习每个节点的一维表示（Node embeddings），利用一维表示（Node embeddings）进行下游任务。为什么一维表示（Node embeddings）可以进行下游任务？利用图游走类算法，使得Node embeddings可以学习到节点与邻居的关系，更好的表示图结构图特征的信息。

图学习笔记（六）：图神经网络算法（一）图神经网络GNN的兴起:回顾图卷积网络GCN（Graph Convolutional Network）问题1：如何从图像卷积，类比到图结构卷积？图像卷积和图结构卷积区别：图卷积网络计算公式：问题2：怎么用消息传递方式实现图卷积网络？（两步骤）问题3：怎么用多层图网络完成节点分类任务？——GCN算法的全流程GCN参数补充解释图注意力网络GAT(Graph Attention Network)图卷积网络（GCN）和图注意力网络（GAT）区别：Message Passing消

图学习笔记（七）：图神经网络算法（二）——图采样图采样1. 为什么要图采样？图采样的原因：MiniBatch训练2. 什么是图采样？3. 图采样算法详解（GraphSAGE、PinSAGE）GraphSAGE (SAmple & aggreGatE)邻居采样算法邻居采样算法的优点：PinSAGE：根据邻居节点重要性进行聚合的算法。图采样1. 为什么要图采样？图采样的原因：如果图很大，需要进行“图采样”。权图规模太大，当代的GPU/CPU资源受限，无法一次性全图送入计算资源（难以将整张图放