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

关于3DGNN框架展开：原理阐述，实验问题提出，解决方案、核心代码。该文总的回顾了GCN图卷积网络的历程，用可视化的生动语言解释了图神经网络的基本数据传输机理，最后通过实验证明了其合理的进步之处和不足之处。

图卷积网络 GCN Graph Convolutional Network（谱域GCN）的理解和详细推导博客pdf 原博客链接：https://blog.csdn.net/yyl424525/article/details/100058264#comments_12499724

在监督模式下训练的深度模型在各种任务上都取得了显著的成功。在标记样本有限的情况下，自监督学习(self-supervised learning, SSL)成为利用大量未标记样本的新范式。

本文发现基于图神经网络（Graph Neural Networks，GNN）相关的接受paper非常多，图神经网络这几年方法的研究，以及在CV、NLP、DM上应用也非常广，也是当前比较火的topic。

今年的EMNLP 2019上，Shikhar等人做了tutorial，详述了如何用图神经网络（GNN）做自然语言处理。这个tutorial非常有价值，主要包括对GCN方法的研究、以及在不同的任务场景下，如何使用它来做更好的解决问题，提升算法的性能等。

基于时序图神经网络的交通流预测，采用GNN实现不同路段交通流的预测

论文引用网络节点分类BaseLine。本次基线基于飞桨PaddlePaddle 1.8.4版本，若本地运行则可能需要额外安装pgl、easydict、pandas等模块。直接可运行。