Graph Transformer Networks(GTN)代码含解释

GTN(1)提出了一种新的图变换网络，识别有用的元路径和多跳连接来学习图上的有效节点表示。 (2)图的生成是可解释的，提供有效路径连接的解释。 (3)证明了图变换网络学习的节点表示的有效性，从而获得了最佳的性能，而现有的方法在异质图的所有三种基准节点分类中都使用了领域知识 ****Graph Transformer Networks用于学习异构图上的节点表示，方法是将异构图转换为由元路径定义的多个新图，这些元图具有任意边类型和任意长度，通过在学习的元路径图上进行卷积来表示节点。

GCN测试代码和GPU设备测试代码

里面包含GCN模型及GPU测试代码。帮助解决不懂GPU怎么在python中使用的同学，也算是基础，希望可以帮助到你

PyGCN（Graph Convolutional Nueral Network）图卷积网络的算法实现

图卷积网络Graph Convolutional Nueral Network，简称GCN。 深度学习一直都是被几大经典模型给统治着，如CNN、RNN等等，它们无论再CV还是NLP领域都取得了优异的效果，那这个GCN是怎么跑出来的？是因为我们发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据。GCN实际上跟CNN的作用一样，就是一个特征提取器，只不过它的对象是图数据。GCN精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类（node classification）、图分类（graph classification）、边预测（link prediction），还可以顺便得到图的嵌入表示（graph embedding），可见用途广泛。

GraphSAGE算法的实现

GraphSAGE[1]是一个经典的基于空域的算法，它从两个方面对传统的GCN做了改进，一是在训练时的，采样方式将GCN的全图采样优化到部分以节点为中心的邻居抽样，这使得大规模图数据的分布式训练成为可能，并且使得网络可以学习没有见过的节点，这也使得GraphSAGE可以做归纳学习（Inductive Learning）。第二点是GraphSAGE研究了若干种邻居聚合的方式，并通过实验和理论分析对比了不同聚合方式的优缺点。

pyGAT(graph attention networks)图自注意网络pytorch版本代码

GAT(graph attention networks)图自注意网络：1，使用了attention机制来描述邻接节点对于节点的重要性；2，采用邻接矩阵作为mask；3，引入了attention heads，即K，以扩展attention机制的channel;

HAN算法相关代码实现

最近，深度学习中最令人兴奋的进步之一是注意机制，它的巨大潜力在各个领域。 本文首先提出了一种基于层次注意力的异构图神经网络（HAN），包括节点级注意力和语义级注意力。具体地说： (1)节点级注意力: 旨在学习节点与其基于元路径的邻居之间的重要性; (2)语义级注意力: 能够学习不同元路径的重要性; 通过从节点级和语义级两个层次上学习重要性，可以充分考虑节点和元路径的重要性。该模型通过对基于元路径的邻域特征进行分层聚合，生成节点嵌入。在三个真实世界的异质图上的大量实验结果不仅显示了我们所提出的模型比现有的模型更优越的性能，而且也显示了它潜在的良好的图分析的可解释性。