BYR Achieve · 镜像论坛

【开源项目】图表示学习工具包CogDL + TensorFlow，期待你参与

2019/12/23镜像同步20 回复

更多详情介绍请前往：https://mp.weixin.qq.com/s/NFDl8Ig7rvhGktylBOTtvQ。近日，清华大学知识工程研究室（KEG）推出了一个大规模图表示学习工具包 CogDL，可以让研究者和开发者更加方便地训练和对比用于节点分类、链路预测以及其他图任务的基准或定制模型。该工具包集成了 Deepwalk、LINE、node2vec、GraRep、NetMF、NetSMF、ProNE 等非图神经网络和 GCN、GAT、GraphSage、DrGCN、NSGCN、GraphSGAN 等图神经网络基准模型的实现。项目页面：http://keg.cs.tsinghua.edu.cn/cogdl/index.html 项目介绍 CogDL当前采用PyTorch实现，考虑到当前工业界TensorFlow仍然占主导地位且有很多工业界场景需要使用CogDL中包含的各大算法的需求，经过与唐杰老师的线下沟通获得同意，我们发起了一个CogDL-TensorFlow的开源项目。项目的初衷是将CogDL里面的各个算法使用TensorFlow来复现并且使用统一的接口流程来封装，方便大家在工业界各场景中接入对比各自的效果。我们计划召集一批感兴趣且乐于参与贡献的小伙伴，拆分任务列表且各自认领任务，以周为单位推进项目进展，欢迎对此项目感兴趣想参与贡献的小伙伴加入我们的交流群。欢迎大家前往下面的GitHub地址进行学习、star以及fork。CogDL工具箱后续会增加更多新的算法，本仓库也将持续同步更新、迭代。 https://github.com/imsheridan/CogDL-TensorFlow 对项目感兴趣希望加入“CogDL+TensorFlow交流群”参与贡献的朋友，请加助手：deepdeliver。 (备注：姓名+学校/公司+方向) CogDL工具箱介绍与其他图表示学习工具包相比，CogDL 具有以下特点：稀疏性：在具有数千万节点的大规模网络上实现快速网络嵌入；任意性：能够处理属性化、多路和异构等不同图结构的网络；并行处理：在多个 GPU 上实现不同种子和模型的并行训练并自动输出结果表格；可扩展性：轻松添加新的数据集、模型和任务并在所有现有的模型/数据集上测试。 CogDL 图表示学习工具包的整体框架。关于深度传送门深度传送门是一个专注于深度推荐系统与CTR预估的交流社区，传送推荐、广告以及NLP等相关领域工业界第一手的论文、资源等相关技术分享，欢迎关注！加技术交流群请添加小助手deepdeliver，备注姓名+学校/公司+方向。

订阅后，新回复会通过你的通知中心匿名送达。