在本研究中，我们提出了一种基于自我关注的区域流感预测模型，称为SAIFlu-Net。该模型利用一个较长的短期记忆网络来提取每个区域的时间序列模式，并利用自我注意机制来发现发生模式之间的相似性。为了评估其性能，我们使用每周区域流感数据集对现有的预测模型进行了广泛的实验。结果表明，该模型在均方根误差和皮尔逊相关系数方面均优于其他模型。

《TF-GNN：Graph Neural Networks》附录《A.2.2 Creating GraphTensors》例程

通过图表示学习预测患者结果 该存储库包含用于通过“图形表示​​学习”预测患者结果的代码。 您可以在以下网址观看W3PHIAI（AAAI研讨会）上的聚焦演讲视频： 引文 如果您在研究中使用此代码或模型，请引用以下内容： @misc{rocheteautong2021, title={Predicting Patient Outcomes with Graph Representation Learning}, author={Emma Rocheteau and Catherine Tong and Petar Veličković and Nicholas Lane and Pietro Liò}, year={2021}, eprint={2101.03940}, archivePrefix={arXiv}, p

推荐系统旨在为用户推荐个性化的在线商品或信息, 其广泛应用于众多Web场景之中, 来处理海量信息数据所导致的信息过载问题, 以此提升用户体验. 鉴于推荐系统强大的实用性。

理解深度学习，包括最新的transformer和GNN

推荐系统是当今互联网上最重要的信息服务之一。近年来，图神经网络已成为推荐系统的新技术。在这个调研中，我们对基于图神经网络的推荐系统的文献进行了全面的回顾。我们首先介绍了推荐系统和图神经网络的背景和发展历史。对于推荐系统，一般来说，现有工作的分类分为四个方面: 阶段、场景、目标和应用。对于图神经网络，现有的方法包括谱模型和空间模型两大类。

图神经网络(GNNs)已被广泛应用于图表示学习的各个领域。然而，与所有其他神经网络模型一样，GNN也存在黑盒问题，因为人们无法理解其机制。为了解决这一问题，人们提出了几种解释GNN决策的方法。在本报告中，Simone Scardapane概述了最先进的GNN解释方法和如何评估它们

Cora数据集包含2708篇科学出版物，edges:5429，classes:7，features:1433 每个科学出版物都由一个01词向量描述 训练集（140，1433），测试集（1000，1433），总训练集（1708，1433），训练集从总训练集中抽取，存在labeled和unlabeld节点 用于深度学习，图神经网络的训练

在深度学习用planetoid加载数据时常常需要在github上拉起下载，有时存在连接不上，下载出现error的情况，直接将该代码完整下下来，使用相关数据集。

安装包gnn1.1.0 gnn的任务是做了节点的分类，其结果target值为1和-1。 参照recgnn，利用了循环神经网络的思想，将t-1状态运用在t状态的训练中，再通过将自身节点的状态和邻居节点的状态聚合，得到新的状态。不断循环通过BP调整参数，最后根据阈值以及最大迭代次数的限制退出循环。