论文资料
How powerful is the graph neural network
2017CIKM－Network Embedding专题论文分享
AAAI2019《图表示学习》Tutorial, 180 页 PPT 带你从入门到精通（下载）
Representation Learning on Network 网络表示学习笔记
Github项目推荐 | 图神经网络(GNN)相关资源大列表
github
https://github.com/nnzhan/Awesome-Graph-Neural-Networks
图卷积网络,图的注意力模型，图的自动编码器，图生成网络，图时空网络，各种应用
##Inductive Representation Learning On Large Graphs
Inductive Representation Learning On Large Graphs【阅读笔记】
GraphSAGE 代码解析(一) - unsupervised_train.py
异构网络
PTE: Predictive Text Embedding through Large-scale Heterogeneous Text Network
GitHub上一份Graph Embedding相关的论文列表，很有价值的参考
GCN
CANE
CANE ：
对于每条边，根据节点的出度随机采样节点，然后在选出不是自环的’一个’负样本点，组成训练集，训练集由若干个三元组组成。
GATNE：
基于所有的边进行随机游走，每个节点重复进行采样N次，每次采样L个负样本，这样相当于生成一个句子。
基于采样出的顶点数，统计每个顶点的频次，依据频次排序，在根据skip-windows针对每个句子生成训练样本顶点对。
训练样本中的index是根据频次进行转换后的。如index2word:[3,4,1]表示1索引对应的节点是3，train_input 按词频编号，TF的word2vec实现里，词频越大，词的类别编号也就越小。因此，在TF的word2vec里，负采样的过程其实就是优先采词频高的词作为负样本。
log_uniform_candidate_sampler是怎么采样的呢？他的实现在这里：
1、会在[0, range_max)中采样出一个整数k
2、P(k) = (log(k + 2) - log(k + 1)) / log(range_max + 1)
可以看到，k越大，被采样到的概率越小。
参考文献：https://blog.csdn.net/qq_36092251/article/details/79684721（采样编号）
NLP
Graph Convolution Network for NLP
行业人物：
dblp:Chengqi Zhang
