Lovasz和Plummer在1986年编写，关于图匹配的经典著作，包含了丰富的理论结果和相关算法，例如著名的匈牙利算法。

图节点 是使用GraphQL在以太坊和IPFS上快速构建去中心化应用程序（dApps）的协议。 Graph Node是一个开源的Rust实现，该事件通过事件获取以太坊区块链来确定性地更新可以通过GraphQL端点查询的数据存储。 有关详细说明和更多信息，请参阅《 。 快速开始 先决条件 要构建和运行此项目，您需要在系统上安装以下组件： Rust（最新稳定版）– PostgreSQL – IPFS – 对于以太坊网络数据，您可以运行自己的以太坊节点，也可以使用所选的以太坊节点提供程序。 运行本地图节点 这是显示工作的图节点的快速示例。 这是Graph团队构建的子图。 安装IPFS并运行ipfs init然后运行ipfs daemon 。 安装PostgreSQL并运行initdb -D .postgres然后运行pg_ctl -D .postgres -l logfile start和createdb graph-node 。 如果使用Ubuntu，则可能需要安装其他软件包： sudo apt-get install -y clang libpq-dev libssl-

经济图工具 经济图计算的一些工具： cvs2graph：用于从 mysql 表导出生成的 cvs 文件中生成 .dot 和 .graphml 格式的图形的工具。 sql_scripts：用于图形生成和数据清理的脚本 Octave：中心性计算代码 netmind：python 网络统计信息

博客地址：https://blog.csdn.net/tiandao451/article/details/109708427 由于发现在我的博客通过点击GitHub链接，会跳转到别人盗用的下载地址，而且还是VIP收费，所以自己把代码上传CSDN资源上。 【因为缺分，所以收5个积分，免费可以到Github上下载最新的代码】

知识图论的深度强化学习 我们研究在大型知识图（KG）中学习推理的问题。 更具体地说，我们描述了一种用于学习多跳关系路径的新颖的强化学习框架：我们使用基于知识图嵌入的具有连续状态的基于策略的代理，这通过对最有希望的关系进行采样来在KG向量空间中进行扩展它的路径。 与以前的工作相比，我们的方法包括一种奖励功能，该功能考虑了准确度，多样性和效率。 实验表明，在Freebase和Never-Ending Language Learning数据集上，我们提出的方法优于基于路径排序的算法和知识图嵌入方法。 访问数据集 下载知识图数据集 如何运行我们的代码 解压缩数据，将数据文件夹放在代码目录中 在scr

地图自动生成插件，图形编程，无需编码即可生成丰富的随机地图

适用于unity 表格，图表等，是一个表格插件。

networkMap V1.0 访问https://blog.csdn.net/qq_32442967/article/details/93712083 查看详细使用方法及拓扑图样式 监听点击事件，触发函数，可直接访问后端接口，支持自适应

neo4j-graph-data-science-1.6.1-standalone.zip

使用 AngularJS 的日历 这是一个生成月历的示例 Angular 应用程序。 它可以使用简单的“后退”、“下一个”和“今天”链接进行导航。 开始日期是可定制的。 谢谢： AngularJS (http://angularjs.org/) Moment.js (http://momentjs.com/) JQuery and JQueryUI (http://jquery.com/) Google CDN (https://developers.google.com/speed/libraries/devguide) 接触：