作为 Neo4j Graph 的令人敬畏的公共数据集

基于C++模板，用邻接矩阵的方式，实现了基本的Graph(map)的构建，并实现了深度优先搜索和广度优先搜索，同时加入了测试用的数据读入和写入函数，便于调试和在本代码基础上进行进一步扩充。

HiAGM：层次结构文本分类的层次结构感知全局模型 该存储库实现了层次结构感知的结构编码器，用于标签空间和文本特征之间的相互交互。 这项工作已被接受为ACL 2020中的长篇论文《的》。该存储库中提出了NYTimes（《纽约时报》）和WoS（Web of Science）的数据集拆分。 层次感知全局模型 具有层次结构意识的全局模型利用预先定义的层次结构的先验知识改进了常规文本分类模型。 项目文件夹由以下部分组成： config：配置文件（json格式） 数据：数据目录，可以在配置文件中更改（带有示例数据） data_modules：数据集/ DataLoader /整理器/ Vocab 助手：配置/ Hierarchy_Statistic /记录器/实用工具 模型：StructureModel / EmbeddingLayer / TextEncoder / TextPropaga

java版数据结构 图的各类算法，包括邻接矩阵和邻接表两种存储结构

Graph_Databases_2e_Neo4j书籍PDF版，提供Neo4j的学习

graph上的多视图表示对比学习

Contrastive Self-supervised Learning for Graph Classification

自监督学习用于推荐

graph-rcnn.pytorch 我们的ECCV 2018论文Pytorch代码 介绍 该项目是一组基于Pytorch 1.0的重新实现的代表性场景图生成模型，包括： 我们自己的 。 ECCV 2018。 Xu等人。 CVPR 2017 ，Li等。 ICCV 2017 ，Zellers等。 CVPR 2018 ，Zhang等，CVPR 2019 我们的重新实现基于以下存储库： 为什么我们需要这个存储库？ 将所有这些代表性方法收集到一个回购中的目的是在相同设置下跨不同方法建立更公平的比较。 您可能会在最近的文献中注意到，IMP，MSDN，Graph R-CNN和神经母题的报告数量通常令人困惑，尤其是由于IMP样式方法（前三种）和神经母题风格的方法（神经母题）之间存在较大差距纸和其他基于它的变体） 。 我们希望该仓库可以为各种场景图生成方法建立良好的基准，并为研究界做出贡献

半监督分层递归图神经网络用于城市范围内的停车位可用性预测 这是SHARE体系结构的Pytorch实现，如论文《。 如果您在研究中利用SHARE模型，请引用以下内容： @article{zhang2019semi, title={Semi-Supervised Hierarchical Recurrent Graph Neural Network for City-Wide Parking Availability Prediction}, author={Zhang, Weijia and Liu, Hao and Liu, Yanchi and Zhou, Jingbo and Xiong, Hui}, booktitle={Proceedings of the Thirty-Fourth AAAI Conference on Artificial Intelligen