Life

# 概述 这篇 paper 主要考察了社交网络中 loyalty 这种属性，包括用户的 loyalty 和高 loyalty 用户数的 communities 他们之间的共同属性。 # 定义 loyalty 使用的数据集为 Reddit。 loyal users：说白了就是热衷于某一社区的用户，并且这个热衷度是要高于其他社区的。原文中说如果用户 X 在 t 月对 A 社区有超过 50% 的评论即说明 A prefer A。如果用户 X 同时在 t 和 t+1 月 prefer A，即 X loyal to A。 vagrant users： We define a vagrant of A...

# 总览 这个算法主要分为 3 个步骤： # Sampling Heterogeneous Neighbors 第一步采样得到邻居节点，作者的做法就是 random walk with restart（RWR）。这个 RWR 过程直接在异构图上进行，所以它会采样到各种节点，当节点数达到了设定的固定节点数，就停止采样。 第二步，Group nodes。就把采样得到的不同节点 group，选取每个类别下 topk 频率的节点作为邻居节点。 # Encoding Heterogeneous Contents 因为异构图上不同节点的 content 不同，有的节点可能是 text，有的可能是...

# 读后感 最近被师兄推荐了一篇异构图综述性质的文章。感觉看了之后挺有收获的，就把自己的理解写下来。 # 论文核心思想 GAT 等基于同构图的算法应用在异构图上未必比应用在那些为异构图设计的算法要差。 # 论文贡献 系统性地整合了现有的异构图算法的效果。 提出了 HGB（异构图的 benchmark） 提出了 simple-HGN 模型 # 以前的模型 # node classification HAN （这个之前复现过效果还行） GCN GAT HAN_sem HAN_nd HAN Micro...

# 训练图神经网络 # 节点分类 # 网络模型 # 构建一个 2 层的 GNN 模型import dgl.nn as dglnnimport torch.nn as nn import torchimport dglimport torch.nn.functional as F class SAGE(nn.Module): def __init__(self, in_feats, hid_feats, out_feats): super().__init__() # 实例化 SAGEConve，in_feats 是输入特征的维度，out_feats...

# 图数据处理管道 # DGLDataset 类 官方给的一个流程图。 # 框架代码 from dgl.data import DGLDatasetclass MyDataset(DGLDataset): """ 用于在DGL中自定义图数据集的模板： Parameters ---------- url : str 下载原始数据集的url。 raw_dir : str 指定下载数据的存储目录或已下载数据的存储目录。默认: ~/.dgl/ save_dir : str 处理完成的数据集的保存目录。默认：raw_dir指定的值 force_reload : bool...

DGL 搭建 GNN 模型 import torch.nn as nnfrom dgl.utils import expand_as_pair # 如果不是 pair 就复制 object 变成 pairclass SAGEConv(nn.Module): def __init__(self, in_feats, out_feats, aggregator_type, bias=True, norm=None, activation=None): super(SAGEConv, self).__init__() self._in_src_feats, self._in_dst_feats =...

# DGL 搭建 GNN 模型 # init import torch.nn as nnfrom dgl.utils import expand_as_pair # 如果不是 pair 就复制 object 变成 pairclass SAGEConv(nn.Module): def __init__(self, in_feats, out_feats, aggregator_type, bias=True, norm=None, activation=None): super(SAGEConv, self).__init__() self._in_src_feats,...

# 消息传递范式 # 消息传递范式定义 边上计算: me(t+1)=ϕ(xv(t),xu(t),we(t)),(u,v,e)∈Em_{e}^{(t+1)}=\phi\left(x_{v}^{(t)}, x_{u}^{(t)}, w_{e}^{(t)}\right),(u, v, e) \in \mathcal{E}me(t+1)​=ϕ(xv(t)​,xu(t)​,we(t)​),(u,v,e)∈E. 点上计算: xv(t+1)=ψ(xv(t),ρ({me(t+1):(u,v,e)∈E}))x_{v}^{(t+1)}=\psi\left(x_{v}^{(t)},...

# 消息传递范式 # 消息传递范式定义 边上计算: me(t+1)=ϕ(xv(t),xu(t),we(t)),(u,v,e)∈Em_{e}^{(t+1)}=\phi\left(x_{v}^{(t)}, x_{u}^{(t)}, w_{e}^{(t)}\right),(u, v, e) \in \mathcal{E}me(t+1)​=ϕ(xv(t)​,xu(t)​,we(t)​),(u,v,e)∈E. 点上计算: xv(t+1)=ψ(xv(t),ρ({me(t+1):(u,v,e)∈E}))x_{v}^{(t+1)}=\psi\left(x_{v}^{(t)},...

这个 VScode 免密码登录有点搞，参考了好几个文章，发现都没写全。 VSCode 远程开发 (带免密) 这篇文章大致写的还可以 # remote 机生成 ssh keys ssh-keygen # local 机生成 ssh keys 同样，这里，拷贝 local 机的 id_rsa.pub 秘钥内容 # 登录 remote 机 echo "local机的pub秘钥" >>authorized_keys chmod 600 authorized_keys （没加这个命令死活登录不上）