从neo4j-broswer剥离出graph图表 具体使用查看 https://blog.csdn.net/qq_39220900/article/details/119828559

(Princeton Series in Applied Mathematics) Mehran Mesbahi, Magnus Egerstedt-Graph Theoretic Methods in Multiagent Networks (Princeton Series in Applied Mathematics)-Princeton University Press (2010)

作者：李军利 / 14th June 2020 内容：图基础和图引擎；图算法：图挖掘、 图表示学习 、图神经网络、 知识表示学习/知识图谱三元组 （Graph Mining 、Graph Embedding、Graph Neural Network、Knowledge-Graph Embedding） 编程相关：Linux、C++、Python、TensorFlow、Pytorch、DGL、PyG、networkx、HDFS 写作动力：随着图引擎和图算法研究的深入，涉及越来越广，希望在 里记录一些总结和思考 分类：旨在获取embedding的无监督算法称为 图表示学习 ; GNN常常是监督学习; 知识图谱相关的称为 KG-Embedding（我的分类很主观，基于游走的算法常称为图表示算法，基于邻居汇聚的叫 GNN） 分类 笔记 论文 代码 异构 属性 基础 [Graph Th

Challenges & Opportunities in Graph Processing at Alibaba, 钱正平

今天照着样例搞了下tensorboard，发现自己无法显示scalar，而graph却可以正常显示。 出现这种情况就说明，tensorfboard已经正确读取了指定目录下的数据，只是数据里没有保存有scalar数据。 这很奇怪，我反反复复检查了好多遍代码都觉得没问题。 最好查了一个下午，也搞了一个下午，终于被我发现问题所在。我把下面这代码放错位置了。 summary_op=tf.summary.merge_all() 原位置如下： 我把summary_op给放再with tf.Session() 下了。这样子做是没有效果了，summary_op相当于没有被赋值。所以导致我没有获得我想要保

G6：TypeScript中的图形可视化框架。 什么是G6 是一个图形可视化引擎，它提供了一组基本机制，包括渲染，布局，分析，交互，动画和其他辅助工具。 G6旨在简化关系，并帮助人们获得关系数据的见解。 开发人员能够轻松地构建图形可视化分析应用程序或图形可视化建模应用程序。 强大的动画和互动 强大的布局 特征 丰富的内置项目：具有免费配置的节点和边； 可操纵的交互：十多种基本交互行为； 强大的布局：超过10种布局算法； 方便的组件：出色的能力和表现； 友好的用户体验：满足不同级别用户需求的完整文档。 支持TypeScript。 G6专注于“默认情况下良好”的原则。 此外，项目的自定义机制，交互行为和布局都可以满足自定义要求。 丰富的内置物品 安装 $ npm install @antv/g6 用法 import G6 from '@antv/g6' ; const d

光谱匹配Matlab代码多分辨率光谱图匹配 该函数执行图匹配算法，该方法在VictorGonzálezNavarro和Antonio Ortega撰写的“通过多分辨率方法进行光谱图匹配”中进行了解释。 如果您使用该代码，请提供以下引用。 V.González和A. Ortega，“多分辨率光谱图匹配”，2019年IEEE国际图像处理会议（ICIP），台湾台北，2019年，第2319-2323页。 论文链接： 要使用此代码，您需要下载并安装以下库：绘制图形。 我们已经在Matlab 2017上成功运行了此代码。 如果图形数据可用并已加载，则该算法可以直接在“ MAIN.m”文件中运行。 如果没有数据，则可以使用“ generate_graph.m”文件生成一对图形。 其余文件为次要功能，必须与“ MAIN.m”文件放在相同的文件夹中。 我们在本文中用于比较的其他图形匹配算法在“其他SGM算法”文档中。

在报告中，唐老师从人工智能发展的历史开始，深入分析人工智能近十年的发展，阐述了人工智能在感知方面取得的重要成果，尤其提到算法是这个感知时代最重要、最具代表性的内容，重点讲解了 BERT、ALBERT、MoCo2 等取得快速进展的算法。最后深入介绍了认知智能的发展蓝图。

git 命令结构图，文件类型是.pos，需要wps会员才能打开

神经图协同过滤 这是我对本文的PyTorch实现： 王翔，何湘南，王萌，冯福利和蔡达生（2019）。 神经图协同过滤， 或。 在SIGIR'19，法国巴黎，2019年7月21日至25日。 TensorFlow实现可以在找到。 介绍 我的实现主要是指原始的TensorFlow实现。 它具有与原始项目一样的评估指标。 这是Gowalla数据集的示例： Best Iter=[38]@[32904.5] recall=[0.15571 0.21793 0.26385 0.30103 0.33170], precision=[0.04763 0.03370 0.02744 0.02359 0.02088], hit=[0.53996 0.64559 0.70464 0.74546 0.77406], ndcg=[0.22752 0.26555 0.29044 0.30926 0.32406]