知识图谱构建代码，python

基于知识图谱的《计算机组成原理》（或者其他）学习推荐系统实例研究 前台使用next.js，采用基于d3.js的知识图谱可视化框架

知识图谱暑期课程，课程名为《知识图谱：概念与技术》，由复旦大学知识工厂、上海财经大学主办。以下附上该套课程的完整PPT。

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。

PART ONE/为什么需要图神经网络 PART TWO/什么是图神经网络（包括图的基本知识，及基本GNN的操作） PART THREE/图神经网络的变体（图神经网络的3个变体，图卷积神经网络（又可分为基于空间域的图卷积神经网络和基于频域的图卷积神经网络），基于注意力的图神经网络，基于自编码器的图神经网络）。包括DCNN（Diffusion-Convolution Neural Network、NN4G（Neural Networks for Graph）、MPNN：Message Passing Neural Network、GAT （Graph Attention Network）、图自编码器（graph autoencoder，GAE）、变分图自编码器（variational graph autoencoder，VGAE） PART FOUR/应用，在自然语言处理方面的应用，在计算机视觉方面的应用，在推荐系统方面的应用，在预测问题方面的应用

DGraphFin-金融欺诈数据集

基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据） 基于空间感知图神经网络（GNN）和跨级分子轮廓预测（Python完整源码和数据）

通过SR-GNN算法进行挖掘商品图的时序商品推荐——数据集通过SR-GNN算法进行挖掘商品图的时序商品推荐——数据集通过SR-GNN算法进行挖掘商品图的时序商品推荐——数据集通过SR-GNN算法进行挖掘商品图的时序商品推荐——数据集

基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包） 基于GNN和CNN的数据预测（Python完整源码数据包）

该项目研究了图神经网络在电力系统分析中的应用。 它旨在比较图神经网络 (GNN) 与传统多层感知器 (MLP) 模型在相同模型复杂度下的性能。 代码是在 Jupyter Notebook IDE 中使用 pytorch 框架开发的。 神经网络（NN）的最新进展框架被称为图神经网络（GNN），在电力系统中，电网可以被表示为一个具有高维特征和总线之间相互依赖关系的图，为电力系统分析提供更好的机器学习状态，在GNN框架中整合电网拓扑结构用于电力流的应用。 在电网中，总线可以被看作是节点，而线可以被看作是边。节点的特征是电压、电压角、有功功率和无功功率，而线路的特征可以是线路电流和线路电阻。 Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）