西门子 S7-GRAPH V5.3，免费的，S7-GRAPH V5.3S7-GRAPH V5.3

Siemens S7 Graph自动化软件，顺序控制。

在R上使用Facebook进行分析 使用R编程语言通过Graph API对从Facebook获得的社交数据进行数据分析和自然语言处理。 该项目根据人的社交活动以及语言或单词使用情况绘制图表。 还进行了基于极性和情感的情感分析，并绘制了图表。

TriDNR 三方深度网络表示形式，发布于IJCAI 2016：1895-1901。 这些代码实现了TriDNR算法，该算法学习网络中每个节点的连续表示。 TriDNR从三个角度使用信息，包括节点结构，节点内容和节点标签（如果有），以共同学习最佳节点表示形式 该代码是使用gensim和DeepWalk软件包在Python中开发的。 所有必需的软件包都在requirements.txt中定义。 要安装所有要求，只需使用以下命令： pip install -r requirements.txt “ demo.py”中提供了一个演示，该演示运行并比较了几种算法 关于数据集：本文中有两个网络数据集，即DBLP和Citeseer-M10。 每个数据集包含3个文件： 1. docs.txt : title information of each node in a network, each

g 有向无环图（DAG）的实现。 该实现是快速且线程安全的。 它可以防止添加循环或重复，从而始终保持有效的DAG。 该实现缓存后代和祖先，以加快后续调用的速度。 快速开始 跑步： package main import ( "fmt" "github.com/heimdalr/dag" ) func main () { // initialize a new graph d := NewDAG () // init three vertices v1 , _ := d . AddVertex ( 1 ) v2 , _ := d . AddVertex ( 2 ) v3 , _ := d . AddVertex ( struct { a string ; b string }{ a : "foo" , b : "bar" }) // add the above ve

Algorithms in Java 3rd Ed Part5 Graph Algorithms

Neo4j 社区版 org.neo4j/neo4j/3.5.5/neo4j-3.5.5.jar

LOCTriples 中国城市信息知识图谱，包含中国所有县级以上城市三元组信息，共18534个三元组 格式如下所示： 以丰台区为例 丰台区#区人大主任#李昌安 丰台区#所属地区#中国北京市 丰台区#地理位置#北京市中心城区的南部 丰台区#车牌代码#京 丰台区#行政代码#110106 丰台区#机场#北京南苑机场，北京新机场等 丰台区#气候条件#暖温带半湿润季风型气候 丰台区#区委书记#汪先永 丰台区#火车站#北京南站、北京西站等 丰台区#行政区类别#市辖区 丰台区#下辖地区#丰台街道、卢沟桥乡、南苑街道等 丰台区#区政协主席#刘宇 丰台区#电话区号#010 丰台区#面积#305.87平方千米 丰台区#人口#225.5万（2016年） 丰台区#区长#冀岩 丰台区#著名景点#卢沟桥、宛平城、北京园博园、世界花卉大观园、北宫国家森林公园 丰台区#GDP#1262.6亿元（2016年） 丰台区#方言

Social-STGCNN：用于人类轨迹预测的社会时空图卷积神经网络 阿卜杜拉·穆罕默德·昆茜 Mohamed Elhoseiny **，Christian Claudel ** **平等建议 阅读全文，在 社会-STGCNN 我们提出了社会时空图卷积神经网络（Social-STGCNN），该模型将人类轨迹预测问题建模为时空图。 我们的结果表明，与先前报道的方法相比，最终位移误差（FDE）较现有技术提高了20％，平均位移误差（ADE）的改进比参数减少了8.5倍，推理速度提高了48倍。 此外，我们的模型具有较高的数据效率，仅使用20％的训练数据就超出了ADE指标上的现有技术水平。 我们提出了一个核函数，将行人之间的社交互动嵌入邻接矩阵中。 仅使用7.6K参数，我们的模型推断速度为0.002s /帧（500Hz）。 Citaion 您可以使用以下方法引用我们的论文： @inprocee

Heterogeneous Information Network 传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构”的关键，即无法探索到不同节点之间，监督标签之间的联系，而这又是十分重要的。 如上图著名的异构例子，学术网络图，它包含“论文”paper、“作者”author、“会议”venue和“机构”org等节点类