PyTextGCN 对TextGCN的重新实现。 此实现使用Cython进行文本到图形的转换，因此速度相当快。 图形和GCN基于库。 要求 该项目的构建具有： 的Python 3.8.5 Cython 0.29.21 CUDA 10.2（GPU支持可选） scikit学习0.23.2 pytorch 1.7.0 火炬几何1.6.3 海湾合作委员会9.3.0 nltk 3.5 scipy 1.5.2 至少Text2Graph模块也应该与这些库的其他版本一起使用。 安装 cython编译可以从项目的根目录执行： cd textgcn/lib/clib && python setup.py build_ext --inplace 用法 要从称为X的字符串列表（每个字符串包含一个文档的文本）中计算出图形，请创建名为y的标签列表以及测试索引test_idx的列表，只需运行：

研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa

神经关系推理（NRI） 用于交互系统的图神经网络 给定节点的时间序列数据，NRI模型会将未来的节点状态和节点之间的基础抵销关系预测为边缘。 这是Chainer中神经关系推理（NRI）的再现作品。 作者的原始实现可在此处找到： 。 请参阅本文的详细信息： 交互系统的神经关系推断。 Thomas Kipf *，Ethan Fetaya *，Kuan-Chieh Wang，Max Welling，Richard Zemel。 ：平等贡献） 数据集 粒子物理模拟数据集 cd data python generate_dataset.py 训练 粒子物理模拟数据集 python train.py --gpu 0 可视化结果 python utils/visualize_results.py \ --args-file results/2019-01-22_10-20-25_0/args.

用于学习分子图的分层消息间传递 这是用于学习分子图的分层消息间传递的 PyTorch 实现，如我们的论文中所述： Matthias Fey、Jan-Gin Yuen、Frank Weichert：(GRL+ 2020) 要求 (>=1.4.0) (>=1.5.0) (>=1.1.0) 实验 可以通过以下方式运行实验： $ python train_zinc_subset.py $ python train_zinc_full.py $ python train_hiv.py $ python train_muv.py $ python train_tox21.py $ python train_ogbhiv.py $ python train_ogbpcba.py 引用 如果您在自己的工作中使用此代码，请引用： @inproceedings{Fey/etal/2020,

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

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

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

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

神经网络(GNNs)是一种针对学习图表示的神经网络结构，已经成为一种流行的学习模型，用于预测节点、图和点的构型的任务，并在实践中获得了广泛的成功。本文选取了广泛应用的消息传递神经网络和高阶神经网络的逼近和学习特性的新兴理论成果，重点从表示、概括和外推三个方面进行了综述。本文总结了数学上的联系。

随着网络信息的爆炸式增长，推荐系统在缓解信息过载方面发挥了重要作用。由于推荐系统具有重要的应用价值，这一领域的研究一直在不断涌现。近年来，图神经网络(GNN)技术得到了广泛的关注，它能将节点信息和拓扑结构自然地结合起来。由于GNN在图形数据学习方面的优越性能，GNN方法在许多领域得到了广泛的应用。在推荐系统中，主要的挑战是从用户/项目的交互和可用的边信息中学习有效的嵌入用户/项目。由于大多数信息本质上具有图结构，而网络神经网络在表示学习方面具有优势，因此将图神经网络应用于推荐系统的研究十分活跃。本文旨在对基于图神经网络的推荐系统的最新研究成果进行全面的综述。具体地说，我们提供了基于图神经网络的推荐模型的分类，并阐述了与该领域发展相关的新观点。