TF图神经网络样本 该存储库是代码版本，对应于介绍具有特征线性调制的图神经网络（GNN）的文章（ ）。 在本文中，讨论了许多GNN架构： 门控图神经网络（GGNN）（ ）。 关系图卷积网络（RGCN）（ ）。 关系图注意力网络（RGAT）-图注意力网络（ ）对几种边缘类型的概括。 关系图同构网络（RGIN）-图同构网络（ ）对几种边缘类型的概括。 带有边缘MLP的图形神经网络（GNN-Edge-MLP）-RGCN的一种变体，其中边缘上的消息是使用完整MLP而非单个层来计算的。 关系图动态卷积网络（RGDCN）-RGCN的新变体，其中动态计算卷积层的权重。 具特征线性调制（GNN-FiLM）的图形神经网络-带有FiLM层的RGCN的新扩展。 本文中提出的结果基于该存储库中提供的模型和任务的实现。 此代码已在使用TensorFlow 1.13.1的Python 3.

Heterogeneous Information Network 传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构”的关键，即无法探索到不同节点之间，监督标签之间的联系，而这又是十分重要的。 如上图著名的异构例子，学术网络图，它包含“论文”paper、“作者”author、“会议”venue和“机构”org等节点类

图神经网络DGL框架中文详细文档

极端天气情况一直困扰着人们的工作和生活。部分企业或者工种对极端天气的要求不同，但是目前主流的天气推荐系统是直接将天气信息推送给全部用户。这意味着重要的天气信息在用户手上得不到筛选，降低用户的满意度，甚至导致用户的经济损失。我们计划开发一个基于图神经网络的天气靶向模型，根据用户的历史交互行为，判断不同天气对他的利害程度。如果有必要，则将该极端天气情况推送给该用户，让其有时间做好应对准备。该模型能够减少不必要的信息传递，提高用户的体验感。 模型介绍 （一）数据集共有三个txt文件，分别是user.txt，weather.txt，rating.txt。这些文件一共包含900名用户，1600个天气状况，95964条用户的历史交互记录。 （1）user.txt 用户的信息记录在user.txt中。格式如下： 用户ID\t年龄\t性别\t职业\t地理位置 （2）weather.txt 天气的信息记录在weather.txt中。格式如下： 天气ID\t天气类型\t温度\t湿度\t风速 （3）rating.txt 用户的历史交互记录在rating.txt中。格式如下： 用户ID\t天气ID\t评分

data（近期用到的“图卷积学习”方面的数据集），保存记录。

Mutagenicity。

图神经网络（Graph Neural Network，GNN）GCN/GAT/Graphsage

这是关于 图卷积GCN模型学习的资料，欢迎下载学习。

这是关于图神经网络入门学习的一个简单资料。仅学习使用。

SZ-taxi。该数据集由深圳2015年1月1日至1月31日的出租车轨迹数据组成，本文选取罗湖区156条主要道路作为研究区域。实验数据主要包括两部分。一个是156*156的邻接矩阵，它描述了道路之间的空间关系。每一行表示一条道路，矩阵中的值表示道路之间的连接性。另一个是特征矩阵，它描述了每条道路上的速度随时间的变化。每一行代表一条路，每一列是不同时段道路上的交通速度。每15分钟计算一次每条路上的车速。GNN-LSTM GCN GNN LSTM RNN