wehub-resource-sync
336 lines
29 KiB
Markdown
336 lines
29 KiB
Markdown
<!-- WEHUB_ZH_README -->
|
||
> [!NOTE]
|
||
> 本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
|
||
> [English](./README.en.md) · [原始项目](https://github.com/dmlc/dgl) · [上游 README](https://github.com/dmlc/dgl/blob/HEAD/README.md)
|
||
> 原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。
|
||
|
||
<p align="center">
|
||
<img src="http://data.dgl.ai/asset/logo.jpg" height="200">
|
||
</p>
|
||
|
||
[](https://github.com/dmlc/dgl/releases)
|
||
[](https://anaconda.org/dglteam/dgl)
|
||
[](https://ci.dgl.ai/job/DGL/job/master/)
|
||
[](https://asv.dgl.ai/)
|
||
[](./LICENSE)
|
||
[](https://twitter.com/GraphDeep)
|
||
|
||
[Website](https://www.dgl.ai) | [A Blitz Introduction to DGL](https://docs.dgl.ai/tutorials/blitz/index.html) | Documentation ([Latest](https://www.dgl.ai/dgl_docs/) | [Official Examples](examples/README.md) | [Discussion Forum](https://discuss.dgl.ai) | [Slack Channel](https://join.slack.com/t/deep-graph-library/shared_invite/zt-eb4ict1g-xcg3PhZAFAB8p6dtKuP6xQ)
|
||
|
||
DGL 是一个易用、高性能且可扩展的 Python 图深度学习（deep learning on graphs）包。DGL 与框架无关（framework agnostic），这意味着若深度图模型是端到端应用的一个组件，其余逻辑可在任意主流框架中实现，例如 PyTorch、Apache MXNet 或 TensorFlow。
|
||
|
||
<p align="center">
|
||
<img src="http://data.dgl.ai/asset/image/DGL-Arch.png" alt="DGL v0.4 architecture" width="600">
|
||
<br>
|
||
<b>Figure</b>: DGL 整体架构
|
||
</p>
|
||
|
||
## 亮点特性
|
||
|
||
### 面向 GPU 的图库
|
||
|
||
DGL 提供强大的图对象，可驻留在 CPU 或 GPU 上。它将结构数据与特征打包在一起，以便更好地控制。我们提供多种与图对象协同计算的函数，包括用于图神经网络（Graph Neural Networks）的高效且可定制的消息传递原语。
|
||
|
||
### 面向 GNN 研究者与实践者的多功能工具
|
||
|
||
图深度学习领域仍在快速发展，许多研究想法都建立在前人成果之上。为简化这一过程，[DGl-Go](https://github.com/dmlc/dgl/tree/master/dglgo) 是一个命令行界面，可用于入门训练、使用和研究最先进的 GNN。
|
||
DGL 收集了大量涵盖广泛主题的流行 GNN 模型[示例实现](https://github.com/dmlc/dgl/tree/master/examples)。研究者可以[搜索](https://www.dgl.ai/)相关模型以创新新思路，或将其用作实验基线。此外，DGL 提供许多最先进的 [GNN 层与模块](https://docs.dgl.ai/api/python/nn.html)，供用户构建新的模型架构。DGL 是许多标准图深度学习基准的首选平台之一，包括 [OGB](https://ogb.stanford.edu/) 和 [GNNBenchmarks](https://github.com/graphdeeplearning/benchmarking-gnns).。
|
||
|
||
### 易学易用
|
||
|
||
DGL 为从机器学习研究者到领域专家等各类用户提供丰富的学习材料。[Blitz Introduction to DGL](https://docs.dgl.ai/tutorials/blitz/index.html) 是对图机器学习基础知识的 120 分钟速览。[User Guide](https://docs.dgl.ai/guide/index.html) 更详细地解释了图的概念以及训练方法论。这些材料均包含 DGL 代码片段，可直接运行并接入用户自己的流水线。
|
||
|
||
### 可扩展且高效
|
||
|
||
使用 DGL 在**多 GPU**或**多机**环境下对大规模图进行模型训练十分便捷。DGL 对整个技术栈进行了广泛优化，以降低通信、内存占用和同步方面的开销。因此，DGL 可轻松扩展至十亿级规模的图。请从[教程](https://docs.dgl.ai/en/tutorials/dist/index.html)和[用户指南](https://docs.dgl.ai/en/latest/guide/distributed.html)入手分布式训练。请参阅[系统性能说明](https://docs.dgl.ai/performance.html)了解与其他工具的对比。
|
||
|
||
## 快速入门
|
||
|
||
用户可通过 [pip 和 conda](https://www.dgl.ai/pages/start.html). 安装 DGL。也可从 NVIDIA NGC 下载支持 GPU 的 DGL Docker [容器](https://catalog.ngc.nvidia.com/orgs/nvidia/containers/dgl)（基于 PyTorch 后端），适用于 x86 和 ARM 架构的 Linux 系统。高级用户可按照[说明](https://docs.dgl.ai/install/index.html#install-from-source)从源码安装。
|
||
|
||
对于零基础初学者，请从 [the Blitz Introduction to DGL](https://docs.dgl.ai/tutorials/blitz/index.html). 开始。它涵盖常见图机器学习任务的基本概念，以及分步构建图神经网络（GNN）以解决这些任务的流程。
|
||
|
||
对于希望深入学习的有一定基础的用户，
|
||
|
||
* 使用 [DGL-Go](https://github.com/dmlc/dgl/tree/master/dglgo).，仅用两条命令行即可体验最先进的 GNN 模型
|
||
* 通过流行 GNN 模型的[示例实现](https://www.dgl.ai/)学习 DGL。
|
||
* 阅读 [User Guide](https://docs.dgl.ai/guide/index.html)（[中文版链接](https://docs.dgl.ai/guide_cn/index.html)),），其中更详细地解释了 DGL 的概念与用法。
|
||
* 学习高级特性相关教程，例如 [GNN 随机训练](https://docs.dgl.ai/tutorials/large/index.html),、[多 GPU](https://docs.dgl.ai/tutorials/multi/index.html) 或[多机](https://docs.dgl.ai/tutorials/dist/index.html).训练。
|
||
* 结合 DGL [研读图机器学习经典论文](https://docs.dgl.ai/tutorials/models/index.html)。
|
||
* 在 [API 参考手册](https://docs.dgl.ai/api/python/index.html),中按命名空间查找特定 API 的用法。
|
||
|
||
所有学习材料均可在我们的[文档站点](https://docs.dgl.ai/).获取。若你刚接触深度学习，
|
||
可参阅开源书籍 [Dive into Deep Learning](https://d2l.ai/).
|
||
|
||
|
||
## 社区
|
||
|
||
### 建立联系
|
||
|
||
我们提供多种渠道，将你与 DGL 开发者、用户以及更广泛的 GNN 学术研究者社区连接起来：
|
||
|
||
* 我们的 Slack 频道，[点击加入](https://join.slack.com/t/deep-graph-library/shared_invite/zt-eb4ict1g-xcg3PhZAFAB8p6dtKuP6xQ)
|
||
* 我们的讨论论坛：https://discuss.dgl.ai/
|
||
* 我们的[知乎博客（中文）](https://www.zhihu.com/column/c_1070749881013936128)
|
||
* 月度 GNN 用户组线上研讨会（[活动链接](https://www.eventbrite.com/e/graph-neural-networks-user-group-tickets-137512275919?utm-medium=discovery&utm-campaign=social&utm-content=attendeeshare&aff=escb&utm-source=cp&utm-term=listing) | [往期视频](https://www.youtube.com/channel/UCnmuSDY1pTlaFH1WRQElfTg))
|
||
|
||
请[在此](https://forms.gle/Ej3jHCocACmb49Gp8)参与调查并留下反馈，帮助 DGL 更好地满足你的需求。感谢！
|
||
|
||
### 基于 DGL 的项目
|
||
|
||
* DGL-LifeSci：基于 DGL 的软件包，用于生命科学领域各类图神经网络应用。https://github.com/awslabs/dgl-lifesci
|
||
* DGL-KE：用于学习大规模知识图谱嵌入的高性能、易用且可扩展的软件包。https://github.com/awslabs/dgl-ke
|
||
* Benchmarking GNN：https://github.com/graphdeeplearning/benchmarking-gnns
|
||
* OGB：面向图机器学习的一组真实、大规模且多样化的基准数据集。https://ogb.stanford.edu/
|
||
* Graph4NLP：面向图深度学习与自然语言处理交叉领域研发（R&D）的易用库。https://github.com/graph4ai/graph4nlp
|
||
* GNN-RecSys：https://github.com/je-dbl/GNN-RecSys
|
||
* Amazon Neptune ML：Neptune 的一项新能力，使用专为图设计的机器学习技术——图神经网络（GNNs）——以便利用图数据做出更轻松、更快速且更准确的预测。https://aws.amazon.com/cn/neptune/machine-learning/
|
||
* GNNLens2：图神经网络可视化工具。https://github.com/dmlc/GNNLens2
|
||
* RNAGlib：便于在 RNA 2.5D 图上进行构建、分析、可视化与机器学习的软件包。包含预构建数据集：https://rnaglib.cs.mcgill.ca
|
||
* OpenHGNN：异构图神经网络（Heterogeneous Graph Neural Networks）的模型库与基准。https://github.com/BUPT-GAMMA/OpenHGNN
|
||
* TGL：面向大规模时序图的图学习框架。https://github.com/amazon-research/tgl
|
||
* gtrick：图神经网络的技巧合集（Bag of Tricks）。https://github.com/sangyx/gtrick
|
||
* ArangoDB-DGL Adapter：将 [ArangoDB](https://github.com/arangodb/arangodb) 图导入 DGL，或反向导出。https://github.com/arangoml/dgl-adapter
|
||
* DGLD：[DGLD](https://github.com/EagleLab-ZJU/DGLD) 是基于 PyTorch 和 DGL 的深度图异常检测开源库。
|
||
|
||
### 使用 DGL 的优秀论文
|
||
|
||
1. [**图神经网络基准测试（Benchmarking Graph Neural Networks）**](https://arxiv.org/pdf/2003.00982.pdf), *Vijay Prakash Dwivedi, Chaitanya K. Joshi, Thomas Laurent, Yoshua Bengio, Xavier Bresson*
|
||
|
||
1. [**开放图基准（Open Graph Benchmarks）：用于图上机器学习的数据集**](https://arxiv.org/pdf/2005.00687.pdf), NeurIPS'20, *Weihua Hu, Matthias Fey, Marinka Zitnik, Yuxiao Dong, Hongyu Ren, Bowen Liu, Michele Catasta, Jure Leskovec*
|
||
|
||
1. [**DropEdge：面向节点分类的深度图卷积网络**](https://openreview.net/pdf?id=Hkx1qkrKPr), ICLR'20, *Yu Rong, Wenbing Huang, Tingyang Xu, Junzhou Huan*
|
||
|
||
1. [**话语感知的神经抽取式文本摘要**](https://www.aclweb.org/anthology/2020.acl-main.451/), ACL'20, *Jiacheng Xu, Zhe Gan, Yu Cheng, Jingjing Liu*
|
||
|
||
1. [**GCC：用于图神经网络预训练的图对比编码**](https://dl.acm.org/doi/pdf/10.1145/3394486.3403168?casa_token=EClsH2Vc4DcAAAAA:LIB8cbtr6yTDbYuv4cTLwTIYeDq5Y2dhj_ktcWdKpzdPLGeiuL0o8GlcN4QIOnpsAnmGeGVZ), KDD'20, *Jiezhong Qiu, Qibin Chen, Yuxiao Dong, Jing Zhang, Hongxia Yang, Ming Ding, Kuansan Wang, Jie Tang*
|
||
|
||
1. [**DGL-KE：大规模训练知识图谱嵌入**](https://arxiv.org/pdf/2004.08532), SIGIR'20, *Da Zheng, Xiang Song, Chao Ma, Zeyuan Tan, Zihao Ye, Jin Dong, Hao Xiong, Zheng Zhang, George Karypis*
|
||
|
||
1. [**通过子图同构计数提升图神经网络表达能力**](https://arxiv.org/pdf/2006.09252.pdf), *Giorgos Bouritsas, Fabrizio Frasca, Stefanos Zafeiriou, Michael M. Bronstein*
|
||
|
||
1. [**INT：用于评估定理证明泛化能力的不等式基准**](https://arxiv.org/pdf/2007.02924.pdf), *Yuhuai Wu, Albert Q. Jiang, Jimmy Ba, Roger Grosse*
|
||
|
||
1. [**寻找零号病人：使用图神经网络学习传染源**](https://arxiv.org/pdf/2006.11913.pdf), *Chintan Shah, Nima Dehmamy, Nicola Perra, Matteo Chinazzi, Albert-László Barabási, Alessandro Vespignani, Rose Yu*
|
||
|
||
1. [**FeatGraph：灵活高效的图神经网络系统后端**](https://arxiv.org/pdf/2008.11359.pdf), SC'20, *Yuwei Hu, Zihao Ye, Minjie Wang, Jiali Yu, Da Zheng, Mu Li, Zheng Zhang, Zhiru Zhang, Yida Wang*
|
||
|
||
|
||
<details><summary>更多</summary>
|
||
|
||
11. [**BP-Transformer：通过二分划分建模长程上下文**](https://arxiv.org/pdf/1911.04070.pdf), *Zihao Ye, Qipeng Guo, Quan Gan, Xipeng Qiu, Zheng Zhang*
|
||
|
||
12. [**OptiMol：在化学空间中优化结合亲和力以用于药物发现**](https://www.biorxiv.org/content/biorxiv/early/2020/06/16/2020.05.23.112201.full.pdf), *Jacques Boitreaud,Vincent Mallet, Carlos Oliver, Jérôme Waldispühl*
|
||
|
||
1. [**JAKET：知识图谱与语言理解的联合预训练**](https://arxiv.org/pdf/2010.00796.pdf), *Donghan Yu, Chenguang Zhu, Yiming Yang, Michael Zeng*
|
||
|
||
1. [**图神经网络的架构影响**](https://arxiv.org/pdf/2009.00804.pdf), *Zhihui Zhang, Jingwen Leng, Lingxiao Ma, Youshan Miao, Chao Li, Minyi Guo*
|
||
|
||
1. [**结合强化学习与约束编程进行组合优化**](https://arxiv.org/pdf/2006.01610.pdf), *Quentin Cappart, Thierry Moisan, Louis-Martin Rousseau1, Isabeau Prémont-Schwarz, and Andre Cire*
|
||
|
||
1. [**治疗数据共享平台（Therapeutics Data Commons）：用于治疗领域的机器学习数据集与任务**](https://arxiv.org/abs/2102.09548) ([code repo](https://github.com/mims-harvard/TDC)), *Kexin Huang, Tianfan Fu, Wenhao Gao, Yue Zhao, Yusuf Roohani, Jure Leskovec, Connor W. Coley, Cao Xiao, Jimeng Sun, Marinka Zitnik*
|
||
|
||
1. [**稀疏图注意力网络**](https://arxiv.org/abs/1912.00552), *Yang Ye, Shihao Ji*
|
||
|
||
1. [**论图神经网络的自蒸馏**](https://arxiv.org/pdf/2011.02255.pdf), *Yuzhao Chen, Yatao Bian, Xi Xiao, Yu Rong, Tingyang Xu, Junzhou Huang*
|
||
|
||
1. [**学习图上的鲁棒节点表示**](https://arxiv.org/pdf/2008.11416.pdf), *Xu Chen, Ya Zhang, Ivor Tsang, and Yuangang Pan*
|
||
|
||
1. [**循环事件网络（Recurrent Event Network）：时序知识图谱上的自回归结构推断**](https://arxiv.org/abs/1904.05530), *Woojeong Jin, Meng Qu, Xisen Jin, Xiang Ren*
|
||
|
||
1. [**图神经常微分方程**](https://arxiv.org/abs/1911.07532), *Michael Poli, Stefano Massaroli, Junyoung Park, Atsushi Yamashita, Hajime Asama, Jinkyoo Park*
|
||
|
||
1. [**FusedMM：面向图嵌入与图神经网络的统一 SDDMM-SpMM 内核**](https://arxiv.org/pdf/2011.06391.pdf), *Md. Khaledur Rahman, Majedul Haque Sujon, , Ariful Azad*
|
||
|
||
1. [**异构图推荐的高效邻域交互模型**](https://arxiv.org/pdf/2007.00216.pdf), KDD'20 *Jiarui Jin, Jiarui Qin, Yuchen Fang, Kounianhua Du, Weinan Zhang, Yong Yu, Zheng Zhang, Alexander J. Smola*
|
||
|
||
1. [**异构信息网上结构化邻域的交互模型学习**](https://arxiv.org/pdf/2011.12683.pdf), *Jiarui Jin, Kounianhua Du, Weinan Zhang, Jiarui Qin, Yuchen Fang, Yong Yu, Zheng Zhang, Alexander J. Smola*
|
||
|
||
1. [**Graphein——用于蛋白质结构几何深度学习与网络分析的 Python 库**](https://www.biorxiv.org/content/10.1101/2020.07.15.204701v1), *Arian R. Jamasb, Pietro Lió, Tom L. Blundell*
|
||
|
||
1. [**面向大规模机器人控制的图策略梯度**](https://arxiv.org/abs/1907.03822), *Arbaaz Khan, Ekaterina Tolstaya, Alejandro Ribeiro, Vijay Kumar*
|
||
|
||
1. [**用于预测分子性质的异构分子图神经网络**](https://arxiv.org/abs/2009.12710), *Zeren Shui, George Karypis*
|
||
|
||
1. [**图神经网络能否为药物发现学习更好的分子表示？基于描述符与基于图模型的对比研究**](https://assets.researchsquare.com/files/rs-81439/v1_stamped.pdf), *Dejun Jiang, Zhenxing Wu, Chang-Yu Hsieh, Guangyong Chen, Ben Liao, Zhe Wang, Chao Shen, Dongsheng Cao, Jian Wu, Tingjun Hou*
|
||
|
||
1. [**图网络的主邻域聚合（Principal Neighbourhood Aggregation）**](https://arxiv.org/abs/2004.05718), *Gabriele Corso, Luca Cavalleri, Dominique Beaini, Pietro Liò, Petar Veličković*
|
||
|
||
1. [**知识图谱间的集体多类型实体对齐**](https://dl.acm.org/doi/abs/10.1145/3366423.3380289), *Qi Zhu, Hao Wei, Bunyamin Sisman, Da Zheng, Christos Faloutsos, Xin Luna Dong, Jiawei Han*
|
||
|
||
1. [**患者医疗状况的图表示预测：迈向数字孪生**](https://arxiv.org/abs/2009.08299), *Pietro Barbiero, Ramon Viñas Torné, Pietro Lió*
|
||
|
||
1. [**基于视觉与运动学嵌入的关系图学习用于机器人手术中的精准手势识别**](https://arxiv.org/abs/2011.01619), *Yong-Hao Long, Jie-Ying Wu, Bo Lu, Yue-Ming Jin, Mathias Unberath, Yun-Hui Liu, Pheng-Ann Heng and Qi Dou*
|
||
|
||
1. [**Dark Reciprocal-Rank：通过师生知识迁移增强图卷积自定位网络**](https://arxiv.org/abs/2011.00402), *Takeda Koji, Tanaka Kanji*
|
||
|
||
1. [**Graph InfoClust：利用簇级节点信息进行无监督图表示学习**](https://arxiv.org/abs/2009.06946), *Costas Mavromatis, George Karypis*
|
||
|
||
1. [**GraphSeam：用于语义 UV 映射的监督图学习框架**](https://arxiv.org/abs/2011.13748), *Fatemeh Teimury, Bruno Roy, Juan Sebastian Casallas, David macdonald, Mark Coates*
|
||
|
||
1. [**基于图神经网络的分子监督学习综合研究**](https://pubs.acs.org/doi/10.1021/acs.jcim.0c00416), *Doyeong Hwang, Soojung Yang, Yongchan Kwon, Kyung Hoon Lee, Grace Lee, Hanseok Jo, Seyeol Yoon, and Seongok Ryu*
|
||
|
||
1. [**用于 miRNA-疾病关联预测的图自编码器模型**](https://academic.oup.com/bib/advance-article-abstract/doi/10.1093/bib/bbaa240/5929824?redirectedFrom=fulltext), *Zhengwei Li, Jiashu Li, Ru Nie, Zhu-Hong You, Wenzheng Bao*
|
||
|
||
1. [**从稀疏心内膜图谱进行心脏去极化的图卷积回归**](https://arxiv.org/abs/2009.14068), STACOM 2020 workshop, *Felix Meister, Tiziano Passerini, Chloé Audigier, Èric Lluch, Viorel Mihalef, Hiroshi Ashikaga, Andreas Maier, Henry Halperin, Tommaso Mansi*
|
||
|
||
1. [**AttnIO：面向知识落地对话的进出注意力流知识图谱探索**](https://www.aclweb.org/anthology/2020.emnlp-main.280/), EMNLP'20, *Jaehun Jung, Bokyung Son, Sungwon Lyu*
|
||
|
||
1. [**通过张量分解从非二元成分树中学习**](https://github.com/danielecastellana22/tensor-tree-nn), COLING'20, *Daniele Castellana, Davide Bacciu*
|
||
|
||
1. [**利用门控图注意力网络诱导对齐结构用于句子匹配**](https://arxiv.org/abs/2010.07668), *Peng Cui, Le Hu, Yuanchao Liu*
|
||
|
||
1. [**利用主题感知图神经网络增强抽取式文本摘要**](https://arxiv.org/abs/2010.06253), COLING'20, *Peng Cui, Le Hu, Yuanchao Liu*
|
||
|
||
1. [**基于双图的文档级关系抽取推理**](https://arxiv.org/abs/2009.13752), EMNLP'20, *Shuang Zeng, Runxin Xu, Baobao Chang, Lei Li*
|
||
|
||
1. [**基于语言条件嵌入在 gSCAN 上的系统化泛化**](https://arxiv.org/abs/2009.05552), AACL-IJCNLP'20, *Tong Gao, Qi Huang, Raymond J. Mooney*
|
||
|
||
1. [**利用监督图嵌入自动选择聚类算法**](https://arxiv.org/pdf/2011.08225.pdf), *Noy Cohen-Shapira, Lior Rokach*
|
||
|
||
1. [**通过强化学习改进学习分支**](https://openreview.net/forum?id=z4D7-PTxTb), *Haoran Sun, Wenbo Chen, Hui Li, Le Song*
|
||
|
||
1. [**图神经网络实用指南**](https://arxiv.org/pdf/2010.05234.pdf), *Isaac Ronald Ward, Jack Joyner, Casey Lickfold, Stash Rowe, Yulan Guo, Mohammed Bennamoun*, [代码](https://github.com/isolabs/gnn-tutorial)
|
||
|
||
1. [**APAN：用于实时时序图嵌入的异步传播注意力网络**](https://arxiv.org/pdf/2011.11545.pdf), SIGMOD'21, *Xuhong Wang, Ding Lyu, Mengjian Li, Yang Xia, Qi Yang, Xinwen Wang, Xinguang Wang, Ping Cui, Yupu Yang, Bowen Sun, Zhenyu Guo, Junkui Li*
|
||
|
||
1. [**不确定性匹配图神经网络防御投毒攻击**](https://arxiv.org/pdf/2009.14455.pdf), *Uday Shankar Shanthamallu, Jayaraman J. Thiagarajan, Andreas Spanias*
|
||
|
||
1. [**图神经网络计算：从算法到加速器的综述**](https://arxiv.org/pdf/2010.00130.pdf), *Sergi Abadal, Akshay Jain, Robert Guirado, Jorge López-Alonso, Eduard Alarcón*
|
||
|
||
1. [**NHK_STRL 在 WNUT-2020 任务 2：以句法依存为边的 GAT 与基于 CTC 的文本分类损失**](https://www.aclweb.org/anthology/2020.wnut-1.43.pdf), *Yuki Yasuda, Taichi Ishiwatari, Taro Miyazaki, Jun Goto*
|
||
|
||
1. [**面向对话情感识别的关系感知图注意力网络与关系位置编码**](https://www.aclweb.org/anthology/2020.emnlp-main.597.pdf), *Taichi Ishiwatari, Yuki Yasuda, Taro Miyazaki, Jun Goto*
|
||
|
||
1. [**PGM-Explainer：图神经网络的概率图模型解释**](https://proceedings.neurips.cc/paper/2020/file/8fb134f258b1f7865a6ab2d935a897c9-Paper.pdf), *Minh N. Vu, My T. Thai*
|
||
|
||
1. [**Transformer 网络在图上的推广**](https://arxiv.org/pdf/2012.09699.pdf), *Vijay Prakash Dwivedi, Xavier Bresson*
|
||
|
||
1. [**话语感知的神经抽取式文本摘要**](https://www.aclweb.org/anthology/2020.acl-main.451.pdf), ACL'20, *Jiacheng Xu, Zhe Gan, Yu Cheng, Jingjing Liu*
|
||
|
||
1. [**在图上学得鲁棒节点表示**](https://arxiv.org/abs/2008.11416), *Xu Chen, Ya Zhang, Ivor Tsang, Yuangang Pan*
|
||
|
||
1. [**带逐跳注意力的自适应图扩散网络**](https://arxiv.org/abs/2012.15024), *Chuxiong Sun, Guoshi Wu*
|
||
|
||
1. [**Photoswitch 数据集：推动合成化学发展的分子机器学习基准**](https://arxiv.org/abs/2008.03226), *Aditya R. Thawani, Ryan-Rhys Griffiths, Arian Jamasb, Anthony Bourached, Penelope Jones, William McCorkindale, Alexander A. Aldrick, Alpha A. Lee*
|
||
|
||
1. [**社区驱动的机器学习策略空间搜索以发现 NMR 性质预测模型**](https://arxiv.org/abs/2008.05994), *Lars A. Bratholm, Will Gerrard, Brandon Anderson, Shaojie Bai, Sunghwan Choi, Lam Dang, Pavel Hanchar, Addison Howard, Guillaume Huard, Sanghoon Kim, Zico Kolter, Risi Kondor, Mordechai Kornbluth, Youhan Lee, Youngsoo Lee, Jonathan P. Mailoa, Thanh Tu Nguyen, Milos Popovic, Goran Rakocevic, Walter Reade, Wonho Song, Luka Stojanovic, Erik H. Thiede, Nebojsa Tijanic, Andres Torrubia, Devin Willmott, Craig P. Butts, David R. Glowacki, Kaggle participants*
|
||
|
||
1. [**基于图嵌入神经网络的自适应版图分解**](http://www.cse.cuhk.edu.hk/~byu/papers/C98-DAC2020-MPL-Selector.pdf), *Wei Li, Jialu Xia, Yuzhe Ma, Jialu Li, Yibo Lin, Bei Yu*, DAC'20
|
||
|
||
1. [**利用图神经网络迁移学习预测共轭寡聚物的光电性质**](https://aip.scitation.org/doi/10.1063/5.0037863), J. Chem. Phys. 154, *Chee-Kong Lee, Chengqiang Lu, Yue Yu, Qiming Sun, Chang-Yu Hsieh, Shengyu Zhang, Qi Liu, and Liang Shi*
|
||
|
||
1. [**在 Lund 平面利用图网络进行喷注标记**](https://link.springer.com/article/10.1007/JHEP03(2021)052), Journal of High Energy Physics 2021, *Frédéric A. Dreyer and Huilin Qu*
|
||
|
||
1. [**全局注意力提升图网络泛化能力**](https://arxiv.org/abs/2006.07846), *Omri Puny, Heli Ben-Hamu, and Yaron Lipman*
|
||
|
||
1. [**在集合族上学习——面向高阶任务的超图表示学习**](https://arxiv.org/abs/2101.07773), SDM 2021, *Balasubramaniam Srinivasan, Da Zheng, and George Karypis*
|
||
|
||
1. [**SSFG：随机缩放特征与梯度以正则化图卷积网络**](https://arxiv.org/abs/2102.10338), *Haimin Zhang, Min Xu*
|
||
|
||
1. [**知识图谱嵌入在生物医学数据中的应用与评估**](https://peerj.com/articles/cs-341/), PeerJ Computer Science 7:e341, *Mona Alshahrani, Maha A. Thafar, Magbubah Essack*
|
||
|
||
1. [**MoTSE：面向小分子性质预测任务的可解释任务相似度估计器**](https://www.biorxiv.org/content/10.1101/2021.01.13.426608v2), bioRxiv 2021.01.13.426608, *Han Li, Xinyi Zhao, Shuya Li, Fangping Wan, Dan Zhao, Jianyang Zeng*
|
||
|
||
1. [**面向图神经网络数据投毒的强化学习**](https://arxiv.org/abs/2102.06800), *Jacob Dineen, A S M Ahsan-Ul Haque, Matthew Bielskas*
|
||
|
||
1. [**通过张量分解推广递归神经模型**](https://github.com/danielecastellana22/tensor-tree-nn), IJCNN'20, *Daniele Castellana, Davide Bacciu*
|
||
|
||
1. [**树结构数据递归神经网络中的张量分解**](https://github.com/danielecastellana22/tensor-tree-nn), ESANN'20, *Daniele Castellana, Davide Bacciu*
|
||
|
||
1. [**结合自组织与图神经网络建模机器人操作中的可变形物体**](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7806087/), Frotiers in Robotics and AI, *Valencia, Angel J., and Pierre Payeur*
|
||
|
||
1. [**基于边池化注意力网络的在线手写文档笔画分类与文本行分组**](https://www.sciencedirect.com/science/article/abs/pii/S0031320321000467), Pattern Recognition, *Jun-Yu Ye, Yan-Ming Zhang, Qing Yang, Cheng-Lin Liu*
|
||
|
||
1. [**借助量子力学描述符增强图卷积神经网络准确预测原子性质：该新方法在 NMR 化学位移预测中的应用**](https://pubs.acs.org/doi/full/10.1021/acs.jpclett.0c02654), The Journal of Physical Chemistry Letters, *Peng Gao, Jie Zhang, Yuzhu Sun, and Jianguo Yu*
|
||
|
||
1. [**建模机器人导航中用户舒适度的图神经网络**](https://arxiv.org/abs/2102.08863), *Pilar Bachiller, Daniel Rodriguez-Criado, Ronit R. Jorvekar, Pablo Bustos, Diego R. Faria, Luis J. Manso*
|
||
|
||
1. [**利用图神经网络进行医学实体消歧**](https://arxiv.org/abs/2104.01488), *Alina Vretinaris, Chuan Lei, Vasilis Efthymiou, Xiao Qin, Fatma Özcan*
|
||
|
||
1. [**化学信息引导的大分子图表示用于相似度计算与监督学习**](https://arxiv.org/abs/2103.02565), *Somesh Mohapatra, Joyce An, Rafael Gómez-Bombarelli*
|
||
|
||
1. [**基于应用内动作图刻画与预测用户参与度：以 Snapchat 为例**](https://arxiv.org/pdf/1906.00355.pdf), *Yozen Liu, Xiaolin Shi, Lucas Pierce, Xiang Ren*
|
||
|
||
1. [**GIPA：面向图学习的通用信息传播算法**](https://arxiv.org/abs/2105.06035), *Qinkai Zheng, Houyi Li, Peng Zhang, Zhixiong Yang, Guowei Zhang, Xintan Zeng, Yongchao Liu*
|
||
|
||
1. [**基于多棵依赖树的图集成学习用于方面级情感分类**](https://arxiv.org/abs/2103.11794), NAACL'21, *Xiaochen Hou, Peng Qi, Guangtao Wang, Rex Ying, Jing Huang, Xiaodong He, Bowen Zhou*
|
||
|
||
1. [**利用引用图增强科学论文摘要**](https://arxiv.org/abs/2104.03057), AAAI'21, *Chenxin An, Ming Zhong, Yiran Chen, Danqing Wang, Xipeng Qiu, Xuanjing Huang*
|
||
|
||
1. [**通过对比正则化改进图表示学习**](https://arxiv.org/pdf/2101.11525.pdf), *Kaili Ma, Haochen Yang, Han Yang, Tatiana Jin, Pengfei Chen, Yongqiang Chen, Barakeel Fanseu Kamhoua, James Cheng*
|
||
|
||
1. [**提取图神经网络的知识并超越它：一种有效的知识蒸馏框架**](https://arxiv.org/pdf/2103.02885.pdf), WWW'21, *Cheng Yang, Jiawei Liu, Chuan Shi*
|
||
|
||
1. [**VIKING：通过监督式网络投毒对网络嵌入进行对抗攻击**](https://arxiv.org/pdf/2102.07164.pdf), PAKDD'21, *Viresh Gupta, Tanmoy Chakraborty*
|
||
|
||
1. [**基于关系感知注意力的图卷积网络知识图谱嵌入**](https://arxiv.org/pdf/2102.07200.pdf), *Nasrullah Sheikh, Xiao Qin, Berthold Reinwald, Christoph Miksovic, Thomas Gschwind, Paolo Scotton*
|
||
|
||
1. [**SLAPS：自监督改进图神经网络的结构学习**](https://arxiv.org/pdf/2102.05034.pdf), *Bahare Fatemi, Layla El Asri, Seyed Mehran Kazemi*
|
||
|
||
1. [**在异构草堆中寻找针**](https://homepage.divms.uiowa.edu/~badhikari/assets/doc/papers/CONGCNIAAI2021.pdf), AAAI'21, *Bijaya Adhikari, Liangyue Li, Nikhil Rao, Karthik Subbian*
|
||
|
||
1. [**RetCL：基于对比学习的逆合成选择方法**](https://arxiv.org/abs/2105.00795), IJCAI 2021, *Hankook Lee, Sungsoo Ahn, Seung-Woo Seo, You Young Song, Eunho Yang, Sung-Ju Hwang, Jinwoo Shin*
|
||
|
||
1. [**基于原子对相互作用通过图注意力网络与消息传递神经网络精确预测有机分子自由溶剂化能**](https://arxiv.org/abs/2105.02048), *Ramin Ansari, Amirata Ghorbani*
|
||
|
||
1. [**DIPS-Plus：用于界面预测的增强型相互作用蛋白质结构数据库**](https://arxiv.org/abs/2106.04362), *Alex Morehead, Chen Chen, Ada Sedova, Jianlin Cheng*
|
||
|
||
1. [**共指感知的对话摘要**](https://arxiv.org/abs/2106.08556), SIGDIAL'21, *Zhengyuan Liu, Ke Shi, Nancy F. Chen*
|
||
|
||
1. [**面向本体填充的文档结构感知关系图卷积网络**](https://arxiv.org/abs/2104.12950), arXiv, *Abhay M Shalghar, Ayush Kumar, Balaji Ganesan, Aswin Kannan, Shobha G*
|
||
|
||
1. [**利用图卷积神经网络从胸部 X 光与患者元数据检测 Covid-19**](https://arxiv.org/abs/2105.09720), *Thosini Bamunu Mudiyanselage, Nipuna Senanayake, Chunyan Ji, Yi Pan, Yanqing Zhang*
|
||
|
||
1. [**Rossmann-toolbox：基于深度学习的 Rossmann 折叠蛋白辅因子特异性预测与设计协议**](https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab371/6375059), Briefings in Bioinformatics, *Kamil Kaminski, Jan Ludwiczak, Maciej Jasinski, Adriana Bukala, Rafal Madaj, Krzysztof Szczepaniak, Stanislaw Dunin-Horkawicz*
|
||
|
||
1. [**LGESQL：融合局部与非局部关系的线图增强 Text-to-SQL 模型**](https://arxiv.org/pdf/2106.01093.pdf), ACL'21, *Ruisheng Cao, Lu Chen, Zhi Chen, Yanbin Zhao, Su Zhu, Kai Yu*
|
||
|
||
1. [**通过辅助训练增强图神经网络用于半监督节点分类**](https://www.sciencedirect.com/science/article/pii/S0950705121001477), Knowledge-Based System'21, *Yao Wu, Yu Song, Hong Huang, Fanghua Ye, Xing Xie, Hai Jin*
|
||
|
||
1. [**使用邻居混合模型建模图节点相关性**](https://arxiv.org/pdf/2103.15966.pdf), *Linfeng Liu, Michael C. Hughes, Li-Ping Liu*
|
||
|
||
1. [**结合物理与机器学习进行网络流量估计**](https://openreview.net/pdf/9dc2744a465941220de07cf308acf822ec8aaa64.pdf), ICLR'21, *Arlei Silva, Furkan Kocayusufoglu, Saber Jafarpour, Francesco Bullo, Ananthram Swami, Ambuj Singh*
|
||
|
||
1. [**基于图注意力网络的学术资源分类方法**](https://www.mdpi.com/1999-5903/13/3/64/htm), Future Internet'21, *Jie Yu, Yaliu Li, Chenle Pan and Junwei Wang*
|
||
|
||
1. [**采用面向 GPU 的数据通信架构训练大规模图卷积网络**](https://arxiv.org/abs/2103.03330), *Seung Won Min, Kun Wu, Sitao Huang, Mert Hidayetoğlu, Jinjun Xiong, Eiman Ebrahimi, Deming Chen, Wen-mei Hwu*
|
||
|
||
1. [**图注意力多层感知**](https://github.com/PKU-DAIR/GAMLP/blob/main/GAMLP.pdf), *Wentao Zhang, Ziqi Yin, Zeang Sheng, Wen Ouyang, Xiaosen Li, Yangyu Tao, Zhi Yang, Bin Cui*
|
||
|
||
1. [**GNNLens：用于图神经网络预测误差诊断的可视分析方法**](https://arxiv.org/abs/2011.11048v5), *Zhihua Jin, Yong Wang, Qianwen Wang, Yao Ming, Tengfei Ma, Huamin Qu*
|
||
|
||
1. [**图注意力网络有多「注意力」？**](https://arxiv.org/pdf/2105.14491.pdf), *Shaked Brody, Uri Alon, Eran Yahav*, [代码](https://github.com/tech-srl/how_attentive_are_gats)
|
||
|
||
1. [**SCENE：使用异构图神经网络推理交通场景**](https://arxiv.org/pdf/2301.03512.pdf), *Thomas Monninger\*, Julian Schmidt\*, Jan Rupprecht, David Raba, Julian Jordan, Daniel Frank, Steffen Staab, Klaus Dietmayer*, [代码](https://github.com/schmidt-ju/scene), \*共同第一作者
|
||
|
||
</details>
|
||
|
||
## 贡献
|
||
|
||
如果您遇到 bug 或有任何建议，请通过[提交 issue](https://github.com/dmlc/dgl/issues). 告知我们。
|
||
|
||
我们欢迎从 bug 修复到新功能与扩展的一切贡献。
|
||
|
||
我们期望所有贡献在 issue 跟踪器中讨论并通过 PR 提交。请参阅我们的[贡献指南](https://docs.dgl.ai/contribute.html).
|
||
|
||
## 引用
|
||
|
||
如果您在学术出版物中使用 DGL，我们恳请引用以下论文：
|
||
```
|
||
@article{wang2019dgl,
|
||
title={Deep Graph Library: A Graph-Centric, Highly-Performant Package for Graph Neural Networks},
|
||
author={Minjie Wang and Da Zheng and Zihao Ye and Quan Gan and Mufei Li and Xiang Song and Jinjing Zhou and Chao Ma and Lingfan Yu and Yu Gai and Tianjun Xiao and Tong He and George Karypis and Jinyang Li and Zheng Zhang},
|
||
year={2019},
|
||
journal={arXiv preprint arXiv:1909.01315}
|
||
}
|
||
```
|
||
|
||
## 团队
|
||
|
||
DGL 由 [NYU、NYU Shanghai、AWS Shanghai AI Lab 与 AWS MXNet Science Team](https://www.dgl.ai/pages/about.html). 开发与维护。
|
||
|
||
## 许可证
|
||
|
||
DGL 采用 Apache License 2.0。
|