腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

文章/答案/技术大牛

发布

综合排序丨最热优先丨最新优先

【GNN】NGCF：捕捉协同信号的 GNN

今天学习的是新加坡国立大学和中国科技大学同学合作的论文《Neural Graph Collaborative Filtering》，发表于 2019 年 ACM SIGIR 会议。

2020-07-21

1.9K0

标签:

图解GNN | A Gentle Introduction to GNN

构建了一个GNN，并对其进行了详细地解释。提供了一个GNN的playground，用户可以在其中选择参数在线训练GNN。 1.图是什么？计算机专业的同学由于学过数据结构，对图肯定很熟悉了。一句话概括GNN：GNN是对图的所有属性（节点、边、全局上下文）进行的可优化的一种变换，它保留了图的对称性（置换不变性）。三个MLP组成了GNN的一层，经过GNN的一层后，原图的节点、边以及全局的状态向量都被更新过，但整个图的结构并没有发生变化。 7.2 采样和批处理 GNN存在邻居爆炸的问题，即：GNN会不断地聚合图中相邻节点的信息，第L层GNN中的每个目标节点都需要聚合原图中L层以前的所有节点信息。而在GNN中，则具有图对称性：也就是排列无关性，即使交换了顶点的顺序，GNN对其的作用都保持不变。

2022-09-19

2.7K0

标签:

【GNN】JK-Net：深层 GNN 架构

今天学习的是 MIT 同学 2018 年的论文《Representation Learning on Graphs with Jumping Knowledge Networks》，发表于 ICML，目前共有 140 多次引用。

2020-07-21

2.9K0

标签:

【GNN】GN：更通用的 GNN 架构

近年来比较经典的研究图神经网络的主体包括： 2009年，Scarselli 等人提供了早期 GNN 方法的权威概述； 2017 年，Bronstein 等人提供了关于非欧空间中深度学习的调研，并探索了 GNN、GCN 和相关的谱方法； 2017 年，Gilmer 等人引入了消息传递神经网络（MPNN），统一了各种 GNN 和 GCN 方法； 2018 年，Wang 等人引入了非局部神经网络（NLNN） GN 框架可以概括和扩展各种 GNN、MPNN 和 NLNN 方法，并支持用简单的组建（building blocks）来构建复杂的网络结构（architectures）。 5.Discussion 本文作者分析了关系归纳偏置在深度学习架构中存在的程度，如 MLP、GNN 和 RNN，并得出结论：虽然 CNN 和 RNN 存在关系归纳偏差，但是它们并不能处理更结构化的表示，

2020-07-21

1.8K0

标签:

vr 视频解决方案

521三大问：啥是GNN？GNN咋学？GNN何用？

时晴,本文大多摘自引文Rishabh Anand的文章 GNN的可视化解释！简介近来发现非常多的建模问题中都使用了GNN方法，便去学习了一番，后来发现了一篇非常不错的GNN的可视化解释文章，便将其翻译整理和大家一起分享。下面我们就一起来看看GNN是如何工作的。 GNN 1.关于图图一般由两个核心模块组成，分别是：节点和边。 ? 如上图所示，黑色的箭头是边的指向，表示一种关系，注意此处我们表示的是有向图。从上面GNN的直观解释中，我们知道了图形神经网络是如何工作的，那什么时候使用它会更为方便或者什么时候可以直接使用它呢？ follow和被follow的信息构建图，然后学习每个用户的embeddings信息聚类；内容推荐，依据用户流量内容的关联关系，对用户进行内容推荐；当然，我觉得只要是能构建成图的数据，都可以尝试使用gnn

2021-06-15

6450

标签:

【GNN】GCMC：GNN 在推荐系统中的应用

这篇论文的主要贡献主要有两点：将 GNN 应用于带有 side information 的矩阵补全任务中，并证明基于消息传递的模型比之前的复杂模型具有更好的性能；引入了 Dropout 正则化技术：

2020-07-21

2.2K0

标签:

Hello World, GNN

\pytorch-GNN-1st-main\pytorch-GNN-1st-main\data\第9章28\第9章28\cora') 需要读取到的数据文件有两个： cora.content: 这个文件中的数据矩阵大小为

2024-01-17

6481

标签:

【GNN】GAN：Attention 在 GNN 中的应用

今天学习的是剑桥大学的同学 2017 年的工作《GRAPH ATTENTION NETWORKS》，目前引用数量超过 1100 次。

2020-07-21

2.2K0

标签:

【GNN】WL-test：GNN 的性能上界

而在这篇文章中，本文作者提出了一个可以用于分析 GNN 能力的理论框架，通过对目前比较流行的 GNN 变体（如 GCN、GraphSAGE 等）进行分析，其结果表明目前的 GNN 变体甚至无法区分某些简单的图结构 GNN 的性质和局限性。与 GNN 类似，WL-test 可以通过聚合邻居节点的特征向量来迭代给定的特征向量，但目前的 GNN 的表达能力都不如 WL-test。本文有以下贡献：「证明出 WL-test 是 GNN 的表达能力上限」；「提出了一个可以用于分析 GNN 能力的理论框架」；「设计了聚合函数和读出函数，使得 GNN 可与 WL-test 一样强大「定理 1」：设 GNN 有，多于可以通过 WL-test 判断的两个图 G1 和 G2，在 GNN 层数多的情况下，满足以下情况时，GNN 也可以判断两个图： a）GNN 的节点聚合和更新函数通过以下公式进行迭代

2020-10-21

2.4K0

标签:

GNN 系列（三）：GraphSAGE

Inductive learning v.s. Transductive learning

2019-08-13

1.8K0

标签: