该文件是斯坦福大学CS224W课程2020年秋季的PPT集合，包含有所有上课的PPT以及作业内容，供大家学习参考。相关视频自行到Youtube或者B站查找。

本资源包含了几篇关于社团发现的英文文献，从网络/节点表示学习、图聚类、图神经网络等方向来解决的。 特色：1、本资源是对以下几篇论文的精准翻译，且经过严谨排版，公式手动完美复现，保证阅读流畅无障碍。2、对与不喜欢看英文文献或想节约时间的小伙伴强烈推荐！！！ 1、Deep Attributed Network Embedding 2、vGraph: A Generative Model for Joint Community Detection and Node Representation Learning 3、A Unified Framework for Community Detection and Network Representation Learning 4、Attributed Graph Clustering: A Deep Attentional Embedding Approach

本资源是对最新或经典的几篇基于图神经网络的社团发现算法的英文论文的精准翻译，并且经过严谨排版，公式手动完美复现，保证阅读流畅无障碍。对不喜欢看英文文献或想节约时间的小伙伴强烈推荐！！！ 1、CommDGI：CommunityDetectionOrientedDeepGraphInfomax 2、GRAPH ATTENTION NETWORKS 3、Overlapping Community Detection 4、Overlapping Community Detection with Graph Neural Networks

近几年,神经网络因其强大的表征能力逐渐取代传统的机器学习成为自然语言处理任务的基本模型。然而经典的神经网络模型只能处理欧氏空间中的数据,自然语言处理领域中,篇章结构,句法甚至句子本身都以图数据的形式存在。因此,图神经网络引起学界广泛关注,并在自然语言处理的多个领域成功应用。

图神经网络论文

图神经网络（GNN）是一类基于深度学习的处理图域信息的方法，它通过将图广播操作和深度学习算法结合，可以让图的结构信息和顶点属性信息都参与到学习中，在顶点分类、图分类、链接预测等应用中表现出良好的效果和可解释性，已成为一种广泛应用的图分析方法.

图神经网络依然是研究焦点之一。最近在WWW2020的DL4G@WWW2020论坛，斯坦福大学Jure Leskovec副教授介绍了图神经网络研究最新进展，包括GNN表现力、预训练和公开图神经网络基准等。值得关注。

cora.tgz深度学习图神经网络数据集

图形健身房 GraphGym是用于设计和评估图神经网络（GNN）的平台。 强调 1.高度模块化的GNN管道 数据：数据加载，数据拆分 模型：模块化GNN实施 任务：节点/边/图级GNN任务 评估：精度，ROC AUC，... 2.可重复的实验配置 每个实验均由配置文件完整描述 3.可扩展的实验管理 轻松并行启动数千个GNN实验 自动生成随机种子和实验中的实验分析和图形。 4.灵活的用户定制 轻松地在注册您自己的模块，例如数据加载器，GNN层，损失函数等。 为什么选择GraphGym？ TL; DR： GraphGym非常适合GNN初学者，领域专家和GNN研究人员。 方案1：您是GNN的初学者，他想了解GNN的工作原理。 您可能已经阅读了许多有关GNN的精彩论文，并尝试编写自己的GNN实现。使用现有的GNN包，您仍然必须自己编写必要的管道。 GraphGym是您开始学习标准化GNN实施

文本级图神经网络用于文本分类