许多学习任务需要处理包含丰富元素之间关系信息的图形数据。物理系统建模、学习分子指纹、预测蛋白质界面和疾病分类需要一个模型来从图形输入中学习。在其他领域，例如从文本和图像等非结构数据中学习，对提取的结构（如句子的依赖树和图像的场景图）进行推理是一个重要的研究课题，也需要图推理模型。图神经网络 (GNN) 是神经模型，它通过图节点之间的消息传递来捕获图的依赖性。近年来，图卷积网络 (GCN)、图注意力网络 (GAT)、图循环网络 (GRN) 等 GNN 的变体在许多深度学习任务上都表现出了突破性的表现。在本次调查中，我们为 GNN 模型提出了一个通用的设计流程，并讨论了每个组件的变体，系统地对应用程序进行了分类，并为未来的研究提出了四个开放性问题。

吡咯 PY马拉松实现对于R andomW¯¯烷基，其中R estart（PyRWR）。 重新启动随机游走（RWR）是著名的链接分析算法之一，该算法可测量任意类型的图（网络）中的节点到节点的接近度。 代表性的应用程序包括各种现实世界中的图形挖掘任务，例如个性化节点排名，图形中的推荐（例如，“您可能认识的人”）以及异常检测。 pyrwr目的是在Python中使用numpy和scipy实现基于Power Iteration的RWR分数计算算法。 更具体地说， pyrwr专注于计算给定查询（种子）节点的单个源RWR得分向量，该向量用于对查询节点进行个性化节点排名。 除了RWR， pyrwr支持计算具有多个种子和PageRank的Personalized PageRank（PPR），这是RWR的著名变体。 pyrwr支持的功能有： 查询类型 重新启动随机游走（RWR）：个性化排名； 只允许一

A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources 异构图 (HG) 也称为异构信息网络，在现实世界中无处不在；因此，HG 嵌入旨在在低维空间中学习表示，同时保留下游任务（例如，节点/图分类、节点聚类、链接预测）的异构结构和语义，近年来引起了相当大的关注。在本次调查中，我们对 HG 嵌入方法和技术的最新发展进行了全面审查。我们首先介绍了 HG 的基本概念，并讨论了与同构图表示学习相比，HG 嵌入的异质性带来的独特挑战；然后我们根据他们在学习过程中使用的信息系统地调查和分类最先进的 HG 嵌入方法，以解决 HG 异质性带来的挑战。特别是对于每一种有代表性的HG嵌入方法，我们都进行了详细的介绍，并进一步分析了其优缺点；同时，我们还首次探索了不同类型的 HG 嵌入方法在现实工业环境中的变革性和适用性。此外，我们进一步介绍了几个广泛部署的系统，这些系统已经证明了 HG 嵌入技术在解决具有更广泛影响的实际应用问题方面的成功。为了促进该领域的未来研究和应用，我们还总结了开源代码、现有图学习平台和基准数据集。最后，我们探讨了 HG 嵌入的其他问题和挑战，并预测了该领域的未来研究方向。

需要java11的运行环境

近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常在欧几里得空间中表示。 然而，越来越多的应用程序从非欧几里得域中生成数据，并表示为对象之间具有复杂关系和相互依赖性的图形。图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图数据深度学习方法的研究。在本次调查中，我们全面概述了数据挖掘和机器学习领域的图神经网络 (GNN)。我们提出了一种新的分类法，将最先进的图神经网络分为四类，即循环图神经网络、卷积图神经网络、图自动编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，我们提出了这个快速发展领域的潜在研究方向。

图神经网络 (GNN) 已成为分析和学习图数据的标准工具包。随着该领域的发展，识别关键架构并验证可推广到更大、更复杂的数据集的新想法变得至关重要。不幸的是，在缺乏具有一致实验设置的标准化基准的情况下，越来越难以衡量新模型的有效性。在本文中，我们介绍了一个可重复的 GNN 基准测试框架，使研究人员能够方便地为任意数据集添加新模型。我们通过对最近的 Weisfeiler-Lehman GNN (WL-GNN) 与基于消息传递的图卷积网络 (GCN) 进行各种图任务（即图回归/分类和节点/链路预测，具有中等规模的数据集。

主要介绍了Tensorflow中的图（tf.Graph）和会话（tf.Session）的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

UD图 关于城市数据图模型的存储库。 这项工作是法国里昂大学LIRIS大型的一部分 相关文章 （有关HAL的技术报告） （降价实习报告） CityGML转换 包含两个实现： XSD到OWL 用于将XML模式转换为RDF / OWL本体的脚本 XML到OWL 用于将XML文件转换为RDF / OWL个人的脚本 存储2015年以来的CityGML Lyon Metropole数据 XML模式 存储GML和CityGML模式 存储复合模式以输入到脚本中 本体论 包含几种本体的最新版本，包括CityGML_Transformations文件夹中XSLT转换生成的本体。 CityGML本体是使用资源编辑的，该资源由美国国立卫生研究院国立普通医学科学研究所提供的GM10331601资助。 SPARQL查询 包含要在从XML到OWL脚本生成的RDF上使用的基本查询及其结果。

disparity_filter 使用图，基于多尺度骨干网，在Python中实现差异过滤器： “提取复杂加权网络的多尺度主干” M.ÁngelesSerrano，MariánBoguña，Alessandro Vespignani 视差过滤器通过考虑系统中所有尺度下的相关边缘，利用权重之间的局部异质性和局部相关性来提取网络主干。 只要该方法的强度相对于边缘入射到的两个节点中至少一个节点的均匀随机性的零假设在统计学上不兼容，该方法就保留该边缘，这确保了不会忽略强度方面小的节点。 结果，视差过滤器减少了原始网络中的边缘数量，同时显着保持了几乎所有的权重和很大一部分节点。 同样，该过滤器保留了度数分布的截止点，权重分布的形式和聚类系数。 该项目类似于，尽管提供的功能与以下各项不同： 实施细节 如果您不熟悉多尺度骨干分析，可以将其视为类似于在图形边缘而不是其节点上计算出的中心性。 换句话

Introduction to Graph Theory Second Edition by D. West