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

Introduction to Graph Theory 2nd edition [d. b. west] PDF 书签+目录

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