TriDNR 三方深度网络表示形式，发布于IJCAI 2016：1895-1901。 这些代码实现了TriDNR算法，该算法学习网络中每个节点的连续表示。 TriDNR从三个角度使用信息，包括节点结构，节点内容和节点标签（如果有），以共同学习最佳节点表示形式 该代码是使用gensim和DeepWalk软件包在Python中开发的。 所有必需的软件包都在requirements.txt中定义。 要安装所有要求，只需使用以下命令： pip install -r requirements.txt “ demo.py”中提供了一个演示，该演示运行并比较了几种算法 关于数据集：本文中有两个网络数据集，即DBLP和Citeseer-M10。 每个数据集包含3个文件： 1. docs.txt : title information of each node in a network, each

基于知识图嵌入的推荐系统 基于知识图嵌入的推荐系统 本系统是一个基于知识图嵌入的商品推荐系统，以下是该系统的详细介绍，基本代码都是自己所写，TransE和Rescal方法实现部分是照着论文与相关代码自己进行的复现，并且相关代码中都有我写的一些注释。 1.generate_data.py是用于生成模拟数据，在进行真实使用时可以参照所生成的模拟数据的格式进行数据录入 2.data文件夹下需要有entities.txt以及relations.txt两个数据，他们分别是实体（people和items）的名称以及索引号，以及关联的名称以及索引号，关联也可以有多种，然后该文件夹下还应该有train.txt，valid.txt和test.txt，作为模型训练的依托，其中的neg.txt可要可不要，这个文件并不参与模型的训练过程 3.dataset.py文件主要是模型训练中处理数据的代码，model.p

Introduction Background and Traditional Approaches Node Embeddings Graph Neural Networks Generative Graph Models

Knowledge Graph Embedding via Dynamic Mapping Matrix

这是针对这篇论文做的PPT，PPT下有备注，可以帮助更详细地理解，需要和AutoSF论文翻译互相补充着看

实体对齐旨在在不同的知识图（KG）中找到引用同一真实世界对象的实体。 KG嵌入的最新进展推动了基于嵌入的实体对齐的出现，该对齐方式在连续的嵌入空间中对实体进行编码，并根据学习到的嵌入来度量实体的相似性。 在本文中，我们对这一新兴领域进行了全面的实验研究。 这项研究调查了23种最新的基于嵌入的实体对齐方法，并根据它们的技术和特征对其进行了分类。 我们进一步观察到，当前的方法在评估中使用不同的数据集，并且这些数据集中的实体的程度分布与真实的KGs不一致。 因此，我们提出了一种新的KG采样算法，通过该算法我们可以生成一组具有各种异质性和分布的专用基准数据集，以便进行实际评估。 这项研究还产生了一个开源库，其中包括12种代表性的基于嵌入的实体对齐方法。 我们在生成的数据集上对这些方法进行了广泛的评估，以了解它们的优势和局限性。 此外，对于当前方法中尚未探索的几个方向，我们进行探索性实验并报告我们的

TE故障检测数学代码用于故障检测的动态图嵌入 论文“用于故障检测的动态图嵌入”的代码 Matlab版本应晚于R2015b 演示代码可在目录“ Matlab_code”中找到。 开发它们以对故障1的数据进行故障检测。开发文件“ myConstructW.m”以获得等式（6）的相似性。 在文件中，我们根据本文中的等式给出注释。 主程序“ myfunction_tensorLPP_markov_paper.m”可以直接运行。 “ TensorLGE.m”和“ TensorLPP.m”是主程序所需的代码。 “ TensorLGE.m”和“ TensorLPP.m”都是由邓凯（Deng cai）设计的，邓蔡是发表在《神经信息处理系统18》（NIPS 2005）上的论文“ Tensor子空间分析”的第二作者。 文件“ kde.m”是内核密度估计的代码，用于确定T2和SPE统计信息的控制限制。 “ File_published_by_matlab_in_PDF.pdf”是运行结果以及使用MATLAB:registered:R2015b发布的代码。 “ Files_and_results_published_by_matl

今天的这篇论文是 MSRA 2015 年的工作——《LINE: Large-scale Information Network Embedding》，截至目前共有 1900 多引用，主要的是如何在大尺度网络中应用 Embedding 技术。 1. Introduction 之前介绍的 DeepWalk 采用分布式并行方式来训练模型，但如果在硬件资源有限的条件下该如何训练出一个拥有百万结点和数十亿条边的网络呢？针对这种情况，MSRA 的同学们提出了一种可以应用于这种大规模网络计算的新型算法——LINE。LINE 适用于任何类型的网络结构，无论是有向图还是无向图，以及是否加权（DeepWalk 只

属性约简matlab代码图嵌入技术 它提供了一些基于无任务或特定于任务的直觉的有趣的图形嵌入技术。 目录 1.1。 1.2。 2.1。 2.2。 3.1。 3.2。 3.3。 3.4。 3.5。 1.纯网络嵌入 1.1。 节点邻近关系 DeepWalk：在线学习社交代表（KDD'14）。 LINE：大规模信息网络嵌入（WWW'15）。 node2vec：网络的可伸缩功能学习（KDD'16）。 注意您的步骤：通过图注解学习节点嵌入（NIPS'18）。 深度图Infomax（ICLR'19）。 1.2。 结构认同 struc2vec：从结构标识中学习节点表示（KDD'17）。 通过扩散小波（KDD'18）学习结构节点嵌入。 2.属性网络嵌入 2.1属性向量 标签通知属性网络嵌入（WSDM'17）。 加速属性网络嵌入（SDM'17）。 图的深度高斯嵌入：通过排名的无监督归纳学习（ICLR'18）。 2.2。 文字内容 具有富文本信息的网络表示学习（IJCAI'15）。 CANE：用于关系建模的上下文感知网络嵌入（ACL'17）。 用于文本网络嵌入的扩散图（NIPS'18）。 3.图神经网络

A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources 异构图 (HG) 也称为异构信息网络，在现实世界中无处不在；因此，HG 嵌入旨在在低维空间中学习表示，同时保留下游任务（例如，节点/图分类、节点聚类、链接预测）的异构结构和语义，近年来引起了相当大的关注。在本次调查中，我们对 HG 嵌入方法和技术的最新发展进行了全面审查。我们首先介绍了 HG 的基本概念，并讨论了与同构图表示学习相比，HG 嵌入的异质性带来的独特挑战；然后我们根据他们在学习过程中使用的信息系统地调查和分类最先进的 HG 嵌入方法，以解决 HG 异质性带来的挑战。特别是对于每一种有代表性的HG嵌入方法，我们都进行了详细的介绍，并进一步分析了其优缺点；同时，我们还首次探索了不同类型的 HG 嵌入方法在现实工业环境中的变革性和适用性。此外，我们进一步介绍了几个广泛部署的系统，这些系统已经证明了 HG 嵌入技术在解决具有更广泛影响的实际应用问题方面的成功。为了促进该领域的未来研究和应用，我们还总结了开源代码、现有图学习平台和基准数据集。最后，我们探讨了 HG 嵌入的其他问题和挑战，并预测了该领域的未来研究方向。