一.图的概念 1.定义 某类具体事物（顶点）和这些事物之间的联系（边）,由顶点（vertex）和边（edge）组成,顶点的集合V，边的集合E，图记为G=(V,E) 2.分类 1、无向图Def：边没有指定方向的图 2、有向图Def：边具有指定方向的图（有向图中的边又称为弧，起点称为弧头，终点称为弧尾） 3.带权图Def:边上带有权值的图。（不同问题中，权值意义不同，可以是距离、时间、价格、代价等不同属性） 3.无向图的术语 两个顶点之间如果有边连接，那么就视为两个顶点相邻。 路径：相邻顶点的序列。 圈：起点和终点重合
NebulaGraph介绍和SpringBoot环境连接和查询转载请注明来源https://www.cnblogs.com/milton/p/16784098.html说明当前NebulaGraph的最新版本是3.2.1,根据官方的文档进行配置https://docs.nebula-graph.io/3.2.1/14.client/4.nebula-java-client/NebulaGraph的一些特点支持分布式.相对于Neo4j,TigerGraph这些图数据库,Nebula是面向分布式设计的,因此对集群的支持比较完备,在规模上上限要高很多.在实际项目中存储了180亿的点边,这个数量对于N
NebulaGraph介绍和SpringBoot环境连接和查询转载请注明来源https://www.cnblogs.com/milton/p/16784098.html说明当前NebulaGraph的最新版本是3.2.1,根据官方的文档进行配置https://docs.nebula-graph.io/3.2.1/14.client/4.nebula-java-client/NebulaGraph的一些特点支持分布式.相对于Neo4j,TigerGraph这些图数据库,Nebula是面向分布式设计的,因此对集群的支持比较完备,在规模上上限要高很多.在实际项目中存储了180亿的点边,这个数量对于N
摘要：本文从零开始引导与大家一起学习图知识。希望大家可以通过本教程学习如何使用图数据库与图计算引擎。本篇将以华为云图引擎服务来辅助大家学习如何使用图数据库与图计算引擎。本文分享自华为云社区《从零开始学GraphDatabase（1）》，作者：弓乙。基础概念什么是图？首先，我们需要明确图Graph的概念。这里的图，是graph,是graphical，而不是graphic。即图处理的是关系问题，而不是图片。我们解决是关系问题，而非视觉cv问题。在离散数据中，有专门研究图的图论。包含子图相关，染色，路径，网络流量等问题。在计算机科学中，我们将图抽象为一种数据结构，即由点,边构成的集合。我们可以将现实
摘要：本文从零开始引导与大家一起学习图知识。希望大家可以通过本教程学习如何使用图数据库与图计算引擎。本篇将以华为云图引擎服务来辅助大家学习如何使用图数据库与图计算引擎。本文分享自华为云社区《从零开始学GraphDatabase（1）》，作者：弓乙。基础概念什么是图？首先，我们需要明确图Graph的概念。这里的图，是graph,是graphical，而不是graphic。即图处理的是关系问题，而不是图片。我们解决是关系问题，而非视觉cv问题。在离散数据中，有专门研究图的图论。包含子图相关，染色，路径，网络流量等问题。在计算机科学中，我们将图抽象为一种数据结构，即由点,边构成的集合。我们可以将现实
标题：视觉问答中关于组合泛化的多模态图神经网络来源：NeurlPS2020https://proceedings.neurips.cc/paper/2020/hash/1fd6c4e41e2c6a6b092eb13ee72bce95-Abstract.html代码：https://github.com/raeidsaqur/mgn一、问题提出重点：组合泛化问题例子：自然语言为例，比如人们能够学习新单词的含义，然后将其应用到其他语言环境中。一个人如果学会了一个新动词'dax'的意思，就能立即类推到'singanddax'的意思。”类似地，在训练的时候，可能在测试集中出现了训练集中没有出现过的元素
标题：视觉问答中关于组合泛化的多模态图神经网络来源：NeurlPS2020https://proceedings.neurips.cc/paper/2020/hash/1fd6c4e41e2c6a6b092eb13ee72bce95-Abstract.html代码：https://github.com/raeidsaqur/mgn一、问题提出重点：组合泛化问题例子：自然语言为例，比如人们能够学习新单词的含义，然后将其应用到其他语言环境中。一个人如果学会了一个新动词'dax'的意思，就能立即类推到'singanddax'的意思。”类似地，在训练的时候，可能在测试集中出现了训练集中没有出现过的元素
论文链接：https://arxiv.org/pdf/2002.01680.pdf代码：https://github.com/cynricfu/MAGNN摘要：大量现实世界的图或网络本质上是异构的，其中包含了多种类型的节点和连边关系。异构图嵌入是将异构图中丰富的结构和语义信息嵌入到网络节点的低维向量表示中。现有模型通常采用定义多个元路径的方式来捕捉其中的复合关系，并以此来指导邻居节点的选择。然而这些模型要么忽略了节点的内容特征（或属性特征），要么只考虑了元路径两端节点而舍弃了元路径内部节点信息，要么只依赖于单个元路径，从而导致其他元路径信息的丢失。为解决上述问题，我们提出了一个名为MAGNN的
论文链接：https://arxiv.org/pdf/2002.01680.pdf代码：https://github.com/cynricfu/MAGNN摘要：大量现实世界的图或网络本质上是异构的，其中包含了多种类型的节点和连边关系。异构图嵌入是将异构图中丰富的结构和语义信息嵌入到网络节点的低维向量表示中。现有模型通常采用定义多个元路径的方式来捕捉其中的复合关系，并以此来指导邻居节点的选择。然而这些模型要么忽略了节点的内容特征（或属性特征），要么只考虑了元路径两端节点而舍弃了元路径内部节点信息，要么只依赖于单个元路径，从而导致其他元路径信息的丢失。为解决上述问题，我们提出了一个名为MAGNN的
GraphNeuralTransportNetworkswithNon-localAttentionsforRecommenderSystems用于推荐系统的非局部注意的图神经传输网络来源：WWW2022摘要：通常，GNN通过在本地邻居之间传播和聚合消息来生成用户/项的嵌入。因此，GNN捕获远程依赖关系的能力在很大程度上取决于它们的深度。然而，简单地训练深度gnn会产生瓶颈效应，例如过拟合和过平滑等，无法得到较好的训练效果。为了解决这个问题，作者提出了图最优传输网络(GOTNet)来捕获在不增加GNN深度的情况下的长期依赖关系。GOTNet能够只使用浅层GNN来同时捕获图中的本地和非本地消息，
