Graph Algorithms: 图挖掘与图神经网络是一门专注于探索和分析复杂数据结构中的图形模式的课程。它涵盖了从基础理论到高级应用的一系列算法，特别强调了如何利用图神经网络来增强机器学习模型对非欧几里得数据的理解能力。
作者：李军利 / 2020年6月14日
内容概述：
- 图基础与图引擎介绍
- 图算法领域涵盖图挖掘、图表示学习、图神经网络及知识表示学习/知识图谱三元组（Graph Mining, Graph Embedding, Graph Neural Network, Knowledge-Graph Embedding）
- 编程相关技术包括Linux操作系统，C++语言，Python编程以及TensorFlow和Pytorch深度学习框架。此外还涉及DGL (Deep Graph Library)、PyG(PyTorch Geometric) 和networkx图论库及HDFS(Hadoop Distributed File System)
写作动机：
随着对图引擎与算法研究的不断深入，其应用范围日益广泛。本段落旨在记录作者在此领域的总结和思考。
分类说明：
- 为了获取embedding而设计的无监督学习方法被称为 图表示学习；GNN通常应用于监督式机器学习任务中；
- 知识图谱相关的嵌入技术则被归类为 KG-Embedding（请注意，此分类标准完全基于作者个人的理解和视角）。
文章内容将涵盖理论知识、实践技巧以及相关论文与代码的笔记。
5星
