文件名称：APPNP:“先预测然后传播”的PyTorch实现
文件大小：777KB
文件格式：ZIP
更新时间：2024-05-21 03:16:55
machine-learning deep-neural-networks research deep-learning pagerank
APPNP ⠀ 预测然后传播的PyTorch实现：图神经网络满足个性化PageRank（ICLR 2019）。 抽象的 用于图的半监督分类的神经信息传递算法最近取得了巨大的成功。 但是，这些方法仅考虑相距几个传播步骤的节点，并且无法轻松扩展此利用的邻域的大小。 在本文中，我们使用图卷积网络（GCN）与PageRank之间的关系来推导基于个性化PageRank的改进传播方案。 我们利用此传播过程来构建神经预测（PPNP）及其近似APPNP的个性化传播。 我们模型的训练时间与以前的模型相同或更快，并且参数数量与以前的模型相同或更低。 它利用可调整的大型邻域进行分类，并且可以与任何神经网络结合使用。 我们显示，在迄今为止针对GCN样板模型进行的最彻底的研究中，该模型的性能优于最近提出的对多张图进行半监督分类的几种方法。 可以调用PyTorch和Tensorflow实现 。 如本文所述，
【文件预览】：
APPNP-master
----src()
--------appnp.py(5KB)
--------param_parser.py(3KB)
--------utils.py(3KB)
--------appnp_layer.py(7KB)
--------main.py(655B)
----LICENSE(34KB)
----.github()
--------FUNDING.yml(30B)
----ppnp.jpg(205KB)
----README.md(6KB)
----appnp_run.jpg(541KB)
----input()
--------cora_target.csv(17KB)
--------cora_features.json(281KB)
--------cora_edges.csv(95KB)