2019-ICLR-HOW POWERFUL ARE GRAPH NEURAL NETWORKS ?
Redirecting...
2020-Design Space for Graph Neural Networks
Redirecting...
End to end learning and optimization on graphs
Redirecting...
Mysql使用笔记
MYSQL基本使用[toc]
0、select子句顺序select、from、where、group by、having、order by、limit
1、连接与登录1.1、登录mysql -u root -p
xxxxx
1.2、选择数据库use courese;
1.3、显示所有的数据库show databases;
1.4、显示特定的表show tables;
show columns from person;
1.5、显示的其他命令show status;
show grants;
show errors;
show warning;
2、检索数据2.1、检索多列select prod_id, prod_name, prod_price
from products;
2.2、检索唯一的不同行select distinct vend_id
from products;
2.3、检索特定行的数据select prod_name
from products
limit 3,4;
select prod_name
from products
limit 4 offset 3;
注意 ...
GraRep
GraRep: Learning Graph Representations with Global Structural InformationI. 前言GraRep 主要用于图节点表示，特点是可以学习图的全局信息。
GraRep的作者认为，$skip-gram$ 模型通过获取每个节点与其 $k$ 阶邻节点之间关系，其缺点是将 $k$ 阶的关系信息转化到一个固定、普通的子空间（common subspace），因为 $k$ 阶是 $k$ 固定的。
$LINE$ 定义的损失函数可以同时获取 $1$ 阶 和 $2$ 阶的邻域信息，$LINE$ 实现了学习局部的非线性复杂关系，但是 $LINE$ 不能高效处理大于 $k$ 阶 (大于2阶)的邻域信息。
作者认为不同节点应该对应不同 $k$ 阶邻域，并通过该策略可以实现图的全局信息表示。
II. 模型2.1、模型定义
GraRep除了定义了邻接矩阵 $S$, 度矩阵 $D$，还定义了转移矩阵 $A$。
A=D^{-1} A从定义中可以看出，图的转移矩阵其实是邻接矩阵的归一化(re-scale)。
图中每个节点采用 $d$ 维的向量表示，全部 ...
