前言

空域提出 –> 频域提出 –> 图神经网络提出 –> 主要回到空域发展

图表示学习 和 图神经网络 平行的两个方向，互补的方向。

MPNN

后面两个图神经网络都是基于 MPNN 进行改进的。

前言

GCN 可以说是一个函数拟合器。

每个计算图就是一个样本

感受野是指神经网络中某一层输出的单元对输入的局部区域的敏感程度。实际上层数不宜过多，否则后续层数感受野会越来越相似。

给轻量应用腾讯云服务器加上IPV6地址隧道

这里使用6in4方法解决宿主机本身没有IPV6地址的问题。

给宿主机附加免费的IPV6地址段

有的机器本身没有IPV6的/64子网，这里给出一个方法免费附加IPV6的子网。

这里是使用6in4方法解决宿主机本身没有IPV6地址的问题。

前言

PageRank节点重要度

在NetworkX中，计算有向图节点的PageRank节点重要度。

参考资料

networkx官方教程：https://networkx.org/documentation/stable/tutorial.html

nx.Graph https://networkx.org/documentation/stable/reference/classes/graph.html#networkx.Graph

给图、节点、连接添加属性：https://networkx.org/documentation/stable/tutorial.html#attributes

读写图：https://networkx.org/documentation/stable/reference/readwrite/index.html

导入工具包

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import networkx as nx # 图数据挖掘
import numpy as np # 数据分析
import random # 随机数
import pandas as pd

# 数据可视化
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False  # 用来正常显示负号

1

G = nx.star_graph(7)

1

nx.draw(G, with_labels = True)

计算PageRank节点重要度

数据下载地址：http://www.openkg.cn/dataset/ch4masterpieces

Links as votes

使用In-coming links作为投票，也就是别人引用了我，即一个节点被多少其他节点指向，那么这个节点被多少用户点击的概率就越大。

pagerank假设 In-Links 之间也是不一样，重要网站引用我和无名小将引用我肯定前者更重要。

基于原文作的个人笔记，在此展出

建议按住ctrl然后滑动鼠标滑轮放大查看，笔记做的很小，图片分辨率很高，放大也不会糊

原文：Combinatorial Optimization with Graph Convolutional Networks and Guided Tree Search

原文链接：https://arxiv.org/abs/1810.10659

前言

DeepWalk 仅能反映相邻节点的社群相似信息，无法反映节点的功能角色相似的信息，因为DeespWalk仅使用连接信息(结构信息)学习。

有偏随机游走