动态图嵌入方法 该页面概述了有关动态图嵌入/表示或动态网络嵌入/表示的重要方法。 方法 已发表 代码 描述 ICLR 20 -- WSDM 20 归因于 AAAI 20 归因于 ICLR 19 -- -- CIKM 19 -- KDD 19 异质 ECML PKDD 19 归因与异类 IJCAI 19 -- AAAI 18 -- IJCAI 17讲习班 -- -- 传统知识DEDE 18 -- 传统知识16 --

基于改进词嵌入表示和卷积神经网络的银行智能派单系统的研究.pdf

这部分是关于学习节点嵌入的方法。这些方法的目标是将节点编码为低维向量，这些低维向量总结了它们的图位置和它们的局部图邻域的结构。

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。

行业分类-物理装置-基于碎片化知识下的卷积嵌入表示推理方法.zip

嵌入表示学习是当下研究热点，从word2vec,到node2vec, 到graph2vec，出现大量X2vec的算法。但如何构建向量嵌入理论指导算法设计？最近RWTH Aachen大学的计算机科学教授ACM Fellow Martin Grohe教授给了《X2vec： 构建结构数据的向量嵌入理论》报告，非常干货！

知识图谱表示学习的理论介绍，知识表示学习是知识图谱融合、计算推理、应用等的基础性关键技术，该ppt从几何空间角度对知识图谱向量嵌入表示进行了介绍。