<aside>
<img src="/icons/condense_yellow.svg" alt="/icons/condense_yellow.svg" width="40px" /> Python | 数学 | 逻辑 | 图论 | 算法 | 图神经网络 | 卷积 | 表征 | 节点 | 模型 | 节点嵌入 | 推荐 | 感知 | 流量 | 注意力模型 | 邻域采样 | 聚合器 | 蛋白质 | 表达性 | 同构图 | 异构图 | 酶 | 化合物 | 时空图 | 递归 | 长短期记忆 | 可解释性 | 积分梯度 | 公路 | 混淆矩阵图 | 协作过滤
</aside>
📚旁证博引
混淆矩阵
🎯要点
- 图神经网络：🎯网络中顶点的潜在表征学习实现：🖊创建节点表征，使用连续skip-gram模型 | 🖊使用节点嵌入算法Node2vec实现，示例：电影筛选推荐系统。🖊多层感知节点和边特征学习分类节点 | 🖊图卷积神经层使用节点回归预测网络流量 | 🖊图注意力网络模型测试自动引文索引系统数据 | 🖊使用邻域采样算法和聚合器归纳学习蛋白质-蛋白质相互作用图数据 | 🖊魏斯费勒·莱曼图同构检验表达性，图同构网络模型从蛋白质图数据分类出酶类型 | 🖊链接预测：变分图自动编码器、使用子图嵌入和属性框架 | 🖊生成图数据：弱表达性图：使用埃尔多斯-雷尼模型，使用小世界模型，强表达性图：生成分子结构图 | 🖊分层自注意力网络（异构图）| 🖊 时空图神经网络：递归图卷积神经网络预测网站流量，多层感知和长短期记忆模型预测感染数量 | 🖊可解释性图神经解释化合物的图表征，实现积分梯度算法解释性图神经社交粉丝群 | 🖊注意力时间图卷积神经预测公路交通流量 | 🖊异构图检测网络攻击，绘制结果多类流分类的混淆矩阵图 | 🖊简化和增强图卷积神经模型协作过滤方法推荐书籍。
- 图论数学逻辑和代码分析：🖊深度优先遍历算法和广度优先遍历算法巴拉巴西-阿尔伯特模型(无标度网络模型) | 🖊Dijkstra 算法分析瓦茨-斯特罗加茨模型(小世界随机模型) 。🎯社交网络数学逻辑和代码实现：🖊无标度网络模型图和小世界模型图，角色数据采样。🎯节点层分析算法和代码实现：🖊自我网络分析算法分析社区人口，直方图绘制分布程度 | 🖊自我网络分析算法分析巴拉巴西-阿尔伯特模型 | 🖊自我网络分析算法分析节目角色关系谱 | 🖊度中心性算法分析个人社交群中关联个体 | 🖊度中心性算法分析节目中谁是关键角色 | 🖊紧密中心性算法分析个人社交群中个体纽带关系 | 🖊紧密中心性算法分析节目中关键角色间紧密度 | 🖊介数中心性算法分析个人社交群中中间人，节目关键角色中间人 | 🖊特征向量中心性算法分析个人社交群中与关键人联系紧密的，节目中与关键角色紧密的 | 🖊随机链接可能性算法分析社交中可能形成的关系网。🎯群体层分析算法：🖊派系分析社交群中个人类别 | 🖊聚类系数分析社交群体中信任朋友比例 | 🖊传递性分析社群中非关联个体之间的关联可能性 | 🖊层次聚类寻找类似社群 | 🖊块模型分析群体CT检测群体病患分散后小群体病患。
梗概
https://embed.notionlytics.com/wt/ZXlKM2IzSnJjM0JoWTJWVWNtRmphMlZ5U1dRaU9pSlhiRWhvWlV4VVQxbHNjMlZYV2tKbU9URndaU0lzSW5CaFoyVkpaQ0k2SW1NNE9UQTVZVE16TnpVeE1EUmpZV1E0TWpnMVkyVTNOVGM1TUdNeU9UZ3dJbjA9