原创 圖神經網絡15-Text-Level-GNN:基於文本級GNN的文本分類模型

論文題目:Text Level Graph Neural Network for Text Classification 論文地址:https://arxiv.org/pdf/1910.02356.pdf 論文代碼:https://gith

原创 圖神經網絡14-TextGCN:基於圖神經網絡的文本分類

論文題目:Graph Convolutional Networks for Text Classification 論文地址:https://arxiv.org/pdf/1809.05679.pdf 論文代碼:https://github.

原创 比賽推送:ML/NLP/推薦/CV,一大波比賽來襲!

微信大數據挑戰賽 微信視頻號推薦算法比賽鏈接:https://algo.weixin.qq.com/ 賽題描述 本次比賽基於脫敏和採樣後的數據信息,對於給定的一定數量到訪過微信視頻號“熱門推薦”的用戶, 根據這些用戶在視頻號內的歷史n

原创 圖神經網絡13-圖注意力模型GAT網絡詳解

論文鏈接:https://arxiv.org/abs/1710.10903 tensorflow代碼版本: https://github.com/PetarV-/GAT keras代碼版本:https://github.com/dan

原创 Kaggle蝦皮商品匹配大賽銀牌方案覆盤

歷時兩個月,Shopee比賽終於落下帷幕,我們隊伍ID爲Team Name,隊員爲“蘭恆強”,在Private leadboard取得44名成績,排名top2%,非常感謝隊友小白Lan和zhengheng的強力付出與貢獻,另外我們也很感謝

原创 圖神經網絡必讀論文-Must-read papers on GNN

GNN: graph neural network Contributed by Jie Zhou, Ganqu Cui, Zhengyan Zhang and Yushi Bai. 來源:THUNLP 鏈接:https://github

原创 圖神經網絡12-分子指紋GCN:Neural FPs

1 Neural FPs論文簡介 論文:Convolutional Networks on Graphs for Learning Molecular Fingerprints 圖卷積網絡用於學習分子指紋 鏈接:http://arxiv

原创 LeetCode-中等 磚牆

題目描述 你的面前有一堵矩形的、由 n 行磚塊組成的磚牆。這些磚塊高度相同(也就是一個單位高)但是寬度不同。每一行磚塊的寬度之和應該相等。 你現在要畫一條 自頂向下 的、穿過 最少 磚塊的垂線。如果你畫的線只是從磚塊的邊緣經過,就不算穿過這

原创 圖神經網絡04-圖與圖學習(下)

在中篇中,我們瞭解了圖機器學習(GML:Graph Machine Learning)。下面,終於到了這個前置教程的重頭戲,圖神經網絡(Graph Neural Networks)。 我們通過結合論文A Comprehensive Surv

原创 圖神經網絡03-圖與圖學習(中)

在上篇中,我們簡單學習了圖論的基本概念,圖的表示和存儲方式,同構圖和異構圖的分類,以及幾個基礎的圖論算法。 在接下來的前置教程下篇中,我們將會學習圖機器學習。 本案例將包含以下內容: 一. 圖機器學習(GML:Graph Machine

原创 圖神經網絡11-GCN落地的必讀論文:GraphSAGE

1 GraphSAGE論文簡介 論文:Inductive Representation Learning on Large Graphs 在大圖上的歸納表示學習 鏈接:https://arxiv.org/abs/1706.02216 作者

原创 圖神經網絡07-PageRank算法

在本節中,我們將探討PageRank算法,其實這是一個老生常談的概念或者算法,在這裏我們重新溫故下這個經典算法。這是一種使用Web Graph中的鏈接結構按重要性對網頁進行排名的方法,這也是Google普及的網絡搜索常用算法。 在討論Pag

原创 【論文復現】ArcFace: Additive Angular Margin Loss for Deep Face Recognition

論文的標題:《ArcFace: Additive Angular Margin Loss for Deep Face Recognition》 論文下載鏈接:https://arxiv.org/pdf/1801.07698v1.pdf 一、

原创 圖神經網絡06-基於Graph的傳統機器學習方法

1 圖學習任務 我們簡單回顧下,上一節我們介紹了,圖的機器學習任務主要是以下三種: Node Level:節點級別 Link Level:邊級別 Graph Level:圖級別å 並且三部分難度依次是由淺入深的 2 傳統ML流程

原创 基於Bert的文本聚類工具:BERTopic

【乾貨推薦] 基於Bert的聚類工具:BERTopic 【簡介】:BERTopic是一種主題建模技術,它利用🤗變換器和c-TF-IDF創建聚類簇,使主題易於理解,同時在主題描述中保留重要的單詞。 同時可以支持類似於LDAvis的可視化。 【