图神经网络 (GNN) 已成为分析和学习图数据的标准工具包。随着该领域的发展，识别关键架构并验证可推广到更大、更复杂的数据集的新想法变得至关重要。不幸的是，在缺乏具有一致实验设置的标准化基准的情况下，越来越难以衡量新模型的有效性。在本文中，我们介绍了一个可重复的 GNN 基准测试框架，使研究人员能够方便地为任意数据集添加新模型。我们通过对最近的 Weisfeiler-Lehman GNN (WL-GNN) 与基于消息传递的图卷积网络 (GCN) 进行各种图任务（即图回归/分类和节点/链路预测，具有中等规模的数据集。

在过去十年左右的时间里，我们见证了深度学习让机器学习领域重新焕发活力。它以最先进的性能解决了计算机视觉、语音识别、自然语言处理等领域的许多问题。这些领域的数据一般用欧几里得空间表示。

人工智能本质是解决生产力升级的问题，人类生产力可以归类为知识生产力和劳动生产力，人工智能走入产业后，可以分为感知智能、认知智能和行为智能，后两者更与生产力相对应，NLP和知识图谱是发展认知智能的基础。

必须阅读的有关GNN的论文 GNN：图神经网络 由周杰，崔干渠，张正彦和白玉石贡献。 图神经网络简介。 人工智能和机器学习，摩根克莱普尔出版社，2020年合成讲座 刘志远周杰 图神经网络：方法与应用综述。 arxiv 2018. 周杰，崔干渠，张正彦，杨成，刘志远，孙茂松。 图神经网络的全面调查。 arxiv 2019. 吴宗汉，潘世瑞，陈凤文，龙国栋，张成启，余飞飞。 图形数据的对抗性和防御性：一项调查。 arxiv 2018. 孙立超，窦颖彤，杨卡尔，王继，余宇飞，李波。 图上的深度学习：调查。 arxiv 2018. 张子伟，崔鹏，朱文武。 关系归纳偏置，深度学习和图网络。 arxiv 2018. Battaglia，Peter W和Hamrick，Jessica B和Bapst，Victor和Sanchez-Gonzalez，Alvaro和Zambaldi，Vinicius

KG Refinement by Knowledge Intensive Crowdsourcing-林欣.pdf

Cross-lingual-KG-Building-2017-张鹏.pdf

SecureCRT 6.1.4 注册机 SecureCRT-614-kg

CCF 学科前沿讲习班第 108 期：知识图谱融合方法，2019/11/9，北京。由南京大学胡伟老师主讲，报告首先简要介绍了语义网、知识图谱及知识图谱融合问题，然后介绍了面向知识图谱模式层的本体匹配方法，接下来介绍了面向知识图谱实例层的实体对齐方法，特别涉及近期基于表示学习的实体对齐方法，还介绍了知识融合过程中的真值推断方法，最后做了总结和展望。

斯坦福大牛Jure Leskovec：图神经网络研究最新进展, Jure是斯坦福大学计算机学院的副教授，也是图表示学习方法 node2vec 和 GraphSAGE 作者之一。在谷歌学术搜索（Google Scholar）上，Jure拥有接近4.5万的论文引用数量，H指数为84。以上意味着他在人工智能研究领域占有举足轻重的地位。

对讲机写频软件