Paper Information Title:Variational Graph Auto-EncodersAuthors:Thomas Kipf, M. WellingSoures:2016, ArXivOthers:1214 Citations, 14 References 1 A latent variable model for graph-structured data VGAE 使用了一个 GCN encoder 和 一个简单的内积 decoder ,架构如下图所示: Defini

3.(2021.3.26)Bioinformatics-SumGNN:通过有效的KG聚集进行多类型DDI预测 论文标题: SumGNN: multi-typed drug interaction prediction via efficient knowledge graph summarization 论文地址: https://academic.oup.com/bioinformatics/article-pdf/37/18/2988/40471587/btab207.pdf 论文期刊: B

2.(2021.3.15)Bioinformatics-MUFFIN:用于DDI预测的多尺度特征融合 论文标题: MUFFIN: multi-scale feature fusion for drug–drug interaction prediction 论文地址: https://www.researchgate.net/profile/Jianmin-Wang-3/publication/350100336_MUFFIN_Multi-Scale_Feature_Fusion_for_Dru

5.(2021.7.12)Bioinformatics-KG4SL:用于人类癌症综合致死率预测的知识图神经网络 论文标题:KG4SL: knowledge graph neural network for synthetic lethality prediction in human cancers 论文地址:https://academic.oup.com/bioinformatics/article/37/Supplement_1/i418/6319703 论文期刊:Bioinformati

MSTE: 基于多向语义关系的有效KGE用于多药副作用预测 论文标题: Effective knowledge graph embeddings based on multidirectional semantics relations for polypharmacy side effects prediction 论文期刊: Bioinformatics 2021 MSTE: 基于多向语义关系的有效KGE用于多药副作用预测 摘要 1.引言 2.相关工作 2.1 KGE 2.2.1 基于平移的

论文标题:Translating Embeddings for Modeling Multi-relational Data 标题翻译:多元关系数据翻译嵌入建模 摘要: 考虑多元关系数据的实体和关系在低维向量空间的嵌入问题.我们的目标是提出一个权威模型,该模型比较容易训练,包含一组简化了的参数,并且能够扩展到非常大的数据库.因此,我们提出了TransE,一个将关系作为低维空间实体嵌入的翻译的方法.尽管它很简单,但是这种假设被证明是强大的,因为大量的实验表明在两个知识库连接预测方面,TransE明

图嵌入应用场景:可用于推荐,节点分类,链接预测(link prediction),可视化等场景 一.考虑网络结构 1.DeepWalk (KDD 2014) (1)简介 DeepWalk = Random Walk + Skip-gram 论文链接 作者:Bryan Perozzi, Rami Al-Rfou, Steven Skiena 主要思想: 假设邻域相似,使用DFS构造邻域 step1:DeepWalk思想类似word2vec,word2vec是通过语料库中的句子序列来描述词与词的共现

3 Streaming Graph Neural Networks link:https://dl.acm.org/doi/10.1145/3397271.3401092 Abstract 本文提出了一种新的动态图神经网络模型DGNN,它可以随着图的演化对动态信息进行建模.特别是,该框架可以通过捕获: 1.边的序列信息, 2.边之间的时间间隔, 3.信息传播耦合性 来不断更新节点信息. Conclusion 在本文中,提出了一种用于动态图的新图神经网络架构DGNN.该架构有两个组件构成:更新组件

10 Exploring Temporal Information for Dynamic Network Embedding 5 link:https://scholar.google.com.sg/scholar_url?url=https://ieeexplore.ieee.org/abstract/document/9242309/&hl=zh-TW&sa=X&ei=ZiiOYp6gEpT0yASct56wBQ&scisig=AAGBfm3bQgwV0icZGtwl

14 TEMPORAL GRAPH NETWORKS FOR DEEP LEARNING ON DYNAMIC GRAPHS link:https://scholar.google.com.hk/scholar_url?url=https://arxiv.org/pdf/2006.10637.pdf%3Fref%3Dhttps://githubhelp.com&hl=zh-TW&sa=X&ei=oVakYtvtIo74yASQ1Jj4AQ&scisig=AAGBfm0bNv

4.(2021.6.24)Briefings-生物信息学中的图表示学习:趋势.方法和应用 论文标题: Graph representation learning in bioinformatics: trends, methods and applications 论文期刊: Briefings in Bioinformatics 2021 论文地址: https://www.researchgate.net/profile/Haicheng-Yi/publication/354327323_G

论文标题:Mask and Reason: Pre-Training Knowledge Graph Transformers for Complex Logical Queries 论文地址: https://arxiv.org/abs/2208.07638 论文会议: KDD 2022 17.(2022.8.16)KDD-kgTransformer:复杂逻辑查询的预训练知识图谱Transformer 17.(2022.8.16)KDD-kgTransformer:复杂逻辑查询的预训练知识图谱

12.(2022.5.4)ACL-SimKGC:基于PLM的简单对比KGC 12.(2022.5.4)ACL-SimKGC:基于PLM的简单对比KGC 摘要 1.引言 2.相关工作 2.1 知识图补全(KGC) 2.2 预训练语言模型(PLM) 2.3 对比学习 3.模型方法 3.1 符号 3.2 模型结构 3.3 负采样 3.3.1 批内负采样(IB) 3.3.2 批前负采样(PB) 3.3.3 自我负采样(SN) 3.3.4 负采样处理 3.4 基于图的重排序 3.5 训练和推断 摘要 知识

PageRank,网页排名,又称网页级别.Google左侧排名或佩奇排名,是一种由根据网页之间相互的超链接计算的技术,而作为网页排名的要素之一. Google用它来体现网页的相关性和重要性,在搜索引擎优化操作中是经常被用来评估网页优化的成效因素之一.PageRank适用于任何图或网络在任何域.因此,PageRank是现在经常使用在文献计量学,社会和信息网络分析,用于链接预测和推荐,甚至用于道路网络的系统分析,以及生物学,化学,神经科学,物理. 原理: 由于存在一些出链为0,也就是那些不链接任何其

http://blog.csdn.net/pipisorry/article/details/54020333 Networks算法Algorithms 最短路径Shortest Paths shortest_path all_shortest_paths shortest_path_length average_shortest_path_length has_path Advanced Interface Dense Graphs A* Algorithm [Shortest Paths]

最小哈希原理介绍 MinHash是基于Jaccard Index相似度(海量数据不可行)的算法,一种降维的方法A,B 两个集合:A = {s1, s3, s6, s8, s9}  B = {s3, s4, s7, s8, s10} MinHash的基本原理:在A∪B这个大的随机域里,选中的元素落在A∩B这个区域的概率,这个概率就等于Jaccard的相似度 最小哈希:   S1 S2 S3 A 1 0 0 B 0 1 0 C 0 0 0 D 1 0 1 行的随机排列转换(也称置换运算)   S1

论文:Huo, Zepeng, Xiao Huang, and Xia Hu. "Link Prediction with Personalized Social Influence." (2018). 1. Motivation 先思考几个问题 已知一个微博用户今天的活动记录(转发.评论.点赞等),能否预测其明天的活动情况? 假设该用户追星,而且其偶像的每一条微博他都会转发评论,那么对其明天的活动情况的预测是不是会更容易? 为什么更容易了?因为该用户的偶像对他有影响,这种影响降低了预

作者:Lingbing Guo.Qingheng Zhang.Weiyi Ge.Wei Hu.Yuzhong Qu 2018 年 8 月 14-17 日,主题为「知识计算与语言理解」的 2018 全国知识图谱与语义计算大会(CCKS 2018)在天津成功举办.该会议是由中国中文信息学会语言与知识计算专委会定期举办的全国年度学术会议,并致力于成为国内知识图谱.语义技术.链接数据等领域的核心会议.本届会议的最佳英文论文来自南京大学计算机软件新技术国家重点实验室和信息系统工程重点实验室,提出了一种用于

URL重写是基于一个或多个预置规则修改请求URL的行为.URL重写在资源位置和访问地址之间创建了一种抽象,这样二者之间就减少了紧密的联系.URL重写有多种适用的场景: 临时或永久移动或替换服务器资源,同时为这些资源保持稳定的访问 为不同应用程序或同一个应用程序的不同区域的拆分请求处理 根据请求移除.添加.重新组织URL段(segment) SEO优化 允许使用友好的公共URL来帮助人们通过链接预测找到内容 将不安全的请求重定向到安全端点 图片防盗链 可以通过多种方式定义改变URL的规则,包括正则

trust-aware :如何从隐式信任中导出显示信任.链接预测就是搞这一方面的么? 和类似谱聚类的拉普拉斯矩阵结合在一起,没怎么看.