基于deap数据集的脑电情绪识别，本文采用多种模型，包括gnn模型，并对脑电特征进行特征提取，构建了对应的边特征点特征

图形神经网络（GNN）主要用于分子应用，因为分子结构可以用图形结构表示。 GNN的有趣之处在于它可以有效地建模系统中对象之间的关系或交互。 GNN有各种应用，例如分子应用，网络分析和物理建模。

图神经网络学习模型，用于利用DNA甲基化数据进行精确的多肿瘤早期诊断 运行环境 Linux环境，Python 3 需要以下软件包：numpy，pandas，collections，pytorch，torch_geometirc，seaborn 必须将torch_geometric创建的数据集保存在名为“已处理”的目录中 安装 pip install numpy pip install pandas pip install collections pip install seaborn 在安装pytorch时，应该匹配pytorch，torchvision，cuda和cudnn的版本。 这是我的安装命令作为参考。 conda install pytorch==1.5.0 torchvision==0.6.0 cudatoolkit=10.2 -c pytorch torch_geome

Fuseki ontology例子

SecureCRT.v.6.7.1-kg 针对此处的下载http://blog.csdn.net/zanget/article/details/6701717 无法进行，此处给出下载地址以修正

公斤基线火炬 2019百度的关系撤回比赛，Pytorch版苏神的基线，联合关系撤回。 模型 与苏神的模型相同，只不过开发框架由Keras + Tensorflow变成了Pytorch，给使用Pytorch的小伙伴分享。 苏神Keras版链接： : 代码中包含了许多苏神的代码，因此首先对苏神表示感谢！ 以下为苏神模型介绍 用BiLSTM做联合标注，先预测subject，然后根据suject同时预测object和predicate，标注结构是“半指针-半标注”结构，以前也曾介绍过（ https://kexue.fm/archives/5409 ） 标注结构是自己设计的，我看了很多关系抽取的论文

近些年，知识图谱的构建技术得到了极大的发展，构建好的知识图谱已经被应用到众多领域。在此基础上，研究者将目光从知识图谱转向事件图谱。事件图谱以事件为核心，准确地描述了事件信息以及事件之间的关联关系。基于此，总结了事件图谱在构建、推理与应用方面的关键技术，主要包括事件抽取、事件信息补全、事件关系推断以及事件预测技术。给出了事件图谱的具体应用场景，并且针对事件图谱研究中存在的挑战，对未来的研究趋势进行了展望。

Ontology 理论研究和应用建模，知识图谱构建中的本体理论

数据关联的入门PPT，介绍了GNN，JPDA和MHT的原理。 对于想目标跟踪是非常好的入门材料

图卷积神经网络教程 部分代码参考