Neural Bellman-Ford Networks: A General Graph Neural Network Framework for Link Prediction 【NeurIPS 2021】神经Bellman-Ford网络:用于链路预测的一般图神经网络框架 链接预测是图的一项非常基础的任务。在传统路径学习方法的启发下，本文提出了一种通用的、灵活的基于路径的链接预测表示学习框架。具体来说，我们将节点对的表示定义为所有路径表示的广义和，每个路径表示都是路径中各边表示的广义乘积。受求解最短路径问题的Bellman-Ford算法的启发，我们证明了所提出的路径公式可以被广义Bellman-Ford算法有效地求解。为了进一步提高路径表示的能力，我们提出了神经BellmanFord网络(NBFNet)，这是一个通用的图神经网络框架，用于解决广义Bellman-Ford算法中使用学习算子的路径表示。NBFNet将广义Bellman-Ford算法参数化，采用3个神经单元，分别对应边界条件、乘法算子和求和算子。NBFNet是非常通用的，涵盖了许多传统的基于路径的方法，并且可以应用于同构图和多关系图(例如，知识图)在转换和归纳设置。在同构图和知识图谱上的实验表明，所提出的NBFNet在转导和归纳设置方面都大大优于现有方法，取得了最新的研究结果。

在2019年的ACL、KDD、ICLR、ICML、ICCV、WWW、NeurIPS，以及2020年的ICLR中，出现了多篇以图神经网络（GNN）为代表的论文，涉及若干个经典且新颖任务。以下附上这些论文，供相关研究人员下载、学习研究。

1. 带领初学者入门图学习 2. 学会图领域相关的经典算法：DeepWalk、node2vec、GCN、GAT、GraphSage 3. 了解图神经网络领域的前沿研究方向，掌握部分进阶 GNN 模型

GraphNeuralNetwork 《深入浅出图神经网络：GNN原理解析》配套代码 关于勘误 由于作者水平有限，时间仓促，书中难免会有一些错误或不准确的地方，给读者朋友造成了困扰，表示抱歉。 仓库中提供了目前已经发现的一些问题的,在此向指正这些错误的读者朋友表示感谢。 在5.4节图滤波器的介绍中，存在一些描述错误和概念模糊的问题，可能给读者理解造成偏差，勘误中对相关问题进行了更正 环境依赖 python>=3.6 jupyter scipy numpy matplotlib torch>=1.2.0 Getting Start FAQ Cora数据集无法下载 Cora数据集地址是：。 仓库中提供了一份使用到的cora数据，可以分别将它放在 chapter5/cora/raw 或者 chapter7/cora/raw 目录下。 新代码直接使用本地数据.

人工智能领域的顶会AAAI 2020将在2020年2月7日-12日在美国纽约举行。据官方统计消息，AAAI 2020今年共收到的有效论文投稿超过 8800 篇，其中 7737 篇论文进入评审环节，最终收录数量为 1591 篇，接收率 20.6%。开会在即，提前整理了AAAI 2020图神经网络(GNN)相关的接收论文，让大家先睹为快——跨模态、部分标签学习、交通流预测、少样本学习、贝叶斯图神经网络。

DGL-LifeSci | 我们还有一个闲聊的渠道，可以进行实时讨论。 如果您想加入该频道，请联系 。 介绍 在过去的几年中，在图上进行深度学习已成为一种趋势。 生命科学中有很多图，例如分子图和生物网络，使其成为在图上应用深度学习的重要领域。 DGL-LifeSci是基于DGL的软件包，可用于具有图神经网络的生命科学中的各种应用程序。 我们提供各种功能，包括但不限于用于图形构造，特征化和评估的方法，模型架构，训练脚本和预训练模型。 有关社区贡献者的列表，请参见。 有关在DGL-LifeSci中实现的工作的完整列表，请参见。 安装 要求 DGL-LifeSci应该致力于 所有Linux发行版均不早于Ubuntu 16.04 macOS X Windows 10 DGL-LifeSci需要python 3.6 +，DGL 0.5.2+和PyTorch 1.5.0+。 此外，对

斯坦福_图机器学习（图神经网络）_CS224W_课程讲义（包含homework）

本文为大家整理了六篇SIGIR 2020 基于图神经网络的推荐（GNN+RS）相关论文，这六篇论文分别出自中科大何向南老师和和昆士兰大学阴红志老师团队，供大家参考——捆绑推荐、Disentangled GCF、服装推荐、多行为推荐、全局属性GNN

构建和管理一个知识图谱需要一些努力和语义技术方面的大量经验。将这个知识图谱转化为解决问题的有用资源需要更多的努力。

双水平图神经网络 总览 此存储库包含用于药物相互作用预测的双层图神经网络的代码。 有关详细信息，请参阅我们的论文 用于药物相互作用预测的双层图神经网络。 白云生*，顾坚*，孙宜州，王伟。 ICML 2020图形表示学习及超越（GRL +）研讨会 。 模型 我们引入Bi-GNN建模生物链接预测任务，例如药物-药物相互作用（DDI）和蛋白质-蛋白质相互作用（PPI）。 以药物-药物相互作用为例，使用机器学习的现有方法要么仅利用药物之间的链接结构而不使用每个药物分子的图形表示，要么仅利用单个药物化合物的结构而不对高级DDI使用图形结构图形。 我们方法的关键思想是从根本上将数据视为双层图，其中最高