Linux 下具有 X11 图形化的 C 程序示例

图小波神经网络 ⠀ 图小波神经网络的PyTorch实现（ICLR 2019）。 抽象 我们提出了图小波神经网络（GWNN），一种新颖的图卷积神经网络（CNN），它利用图小波变换来解决依赖于图傅立叶变换的先前频谱图CNN方法的缺点。 与图傅立叶变换不同，可以通过快速算法获得图小波变换，而无需矩阵本征分解，且计算量大。 此外，图小波稀疏并局限在顶点域，为图卷积提供了高效率和良好的可解释性。 在三个基准数据集：Cora，Citeseer和Pubmed的基于图的半监督分类任务中，提出的GWNN明显优于以前的光谱图CNN。 参考Tensorflow实现可在访问。 该存储库提供了Graph Wav

很经典的图论教材 Graduate Texts in Mathematics 244

text_gcn 本文中Text GCN的实现： 梁耀，毛成胜，罗源。 “图卷积网络用于文本分类。” 在第33届AAAI人工智能会议（AAAI-19）中 要求 Python 2.7或3.6 Tensorflow> = 1.4.0 再现结果 运行python remove_words.py 20ng 运行python build_graph.py 20ng 运行python train.py 20ng 在为其他数据集生成结果时，将上述3个命令行中的20ng更改为R8 ， R52 ， ohsumed和mr 。 输入数据示例 /data/20ng.txt表示文档名称，培训/测试组，文档标签。 每行都是一个文档。 /data/corpus/20ng.txt包含每个文档的原始文本，每行对应/data/20ng.txt的相应行 prepare_data.py是准备自己的数据的示例，请注意，文档或句子中的“ \ n”已删除。 归纳版 文本GCN的归纳版本是 ，其中培训过程中未包括测试文档。

Galaxy Graph可视化框架 该框架将图形可视化，并尝试提供功能以在Galaxy平台中轻松对其进行操作。 为了进行图形构建和可视化，使用了库。 输入格式 作为输入文件，可以使用json或txt格式。 例子： json档案 #!json { "nodes":[ { "id": 1, }, { "id": 2, } ], "links":[ { "source":1, "target":2, } ] } 带有矩阵表示法的txt文件 #!python 1 3 4 5 2 4 6 3 1 5 6 2 4 3 5 6 行“ 1 3 4 5”可以读取为：源：节点“ 1”，目标：节点“ 3”（“ 4”，“ 5”） 一般说明 该框架包括3个部分。 屏幕的左侧和右侧是2个滑

DISCOVERING BUSINESS OPPORTUNITY IN LINKED DATA。。。

The tool for visualization is Microsoft Visual C++. This popular software has the standard C++ combined with the Microsoft Foundation Classes (MFC) libraries for Windows visualization. This book explains how to create a graph interactively, solve problems in graph theory with minimum number of C++ codes, and provide friendly interfaces that makes learning the topics an interesting one. Each topic in the book comes with working Visual C++ codes which can easily be adapted as solutions to various problems in science and engineering.

禁忌图着色算法 该项目可以为图形顶点的着色找到解决方案，告知颜色数量和最大迭代次数。 语 C 要求 基于Linux的SO 建立专案并执行 在文件夹根目录中，打开终端并运行： make 编译后，运行： ./tabu_search exemplo_1.txt 观察 在示例文件中，重要的是用程序选项卡分开带有数字的数字，以便程序可以成功读取数据

美达斯 这是一种实现-边缘流异常检测，但是在Go中实现。 有关其工作原理的更多信息，请查看部分。 使用与安装 检出examples文件夹以获取详细说明 import ( "github.com/steve0hh/midas" "fmt" ) func main () { src := [] int { 2 , 2 , 3 , 3 , 5 , 5 , 7 , 11 , 1 , 2 } dst := [] int { 3 , 3 , 4 , 4 , 9 , 9 , 73 , 74 , 75 , 76 } times := [] int { 1 , 1 , 2 , 2 , 2 , 2 , 2 , 2 , 2 , 2 } // using function to score the edges midasAnormScore := midas . Midas ( src , dst

清华大学孙茂松课题组，《图神经网络: 方法与应用》综述论文。