在pytorch上使用GCN进行链接预测 项目说明 该项目旨在预测专利的cpc节点是否链接。 为了完成此项目，在pytorch上使用了Kipf的通用GCN模型。 专利在移动支付行业中爬行。 框架 在Google专利高级搜索中搜索“移动支付”，并获取专利号。 使用1）中的专利号来检索所有专利。 创建邻接矩阵和特征矩阵 删除链接并将数据拆分为训练集和验证集。 从GCN图层获取新的节点要素。 计算节点对的相似度。 使用标签将损失降到最低，并更新重量。 用法 python crawling.py python removelinks.py python features.py python train.py 最佳纪元是44〜46 参考 kenyonke / LinkPredictionGCN tkipf / pygcn @article{kipf2016semi, tit

svm回归预测matlab代码用于链接预测的Weisfeiler-Lehman神经机器 用法 Wesfeiler-Lehman神经机器（WLNM）是一种基于子图的链接预测方法，该方法利用深度学习自动学习图结构特征，以便根据链接的封闭子图进行链接预测。 有关更多信息，请参见以下文章： Zhang M和Y. Chen，《 Weisfeiler-Lehman神经机器用于链路预测》，Proc.Natl.Acad.Sci.USA。 ACM SIGKDD知识发现和数据挖掘会议（KDD-17）。 在MATLAB中运行Main.m进行链接预测实验。 怎么跑 您需要安装liblinear，以便将.mat数据保存为libsvm格式，以便Torch可以读取它们。 cd software/ wget -O liblinear.tar.gz http://www.csie.ntu.edu.tw/~cjlin/cgi-bin/liblinear.cgi?+http://www.csie.ntu.edu.tw/~cjlin/liblinear+tar.gz tar xvzf liblinear.tar.gz cd