كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

DBLP (رسم غير متجانس)

شبكة أكاديمية غير متجانسة

رسم من DBLP بأربعة أنواع عقد: مؤلف وورقة ومصطلح ومؤتمر، وثلاثة أنواع روابط. المهمة تصنيف المؤلفين إلى أربعة مجالات بحثية. من المجموعات المعيارية لـ HAN وHGT وMAGNN، ويستخدمها معيار HGB.

1رسوم
مؤلف 4,057 / ورقة 14,328 / مصطلح 7,723 / مؤتمر 20عقد
مؤلف–ورقة 196,425 / ورقة–مصطلح 85,810 / مؤتمر–ورقة 14,328روابط
مؤلف 334 / ورقة 4,231 / مصطلح 50خصائص
4 (للمؤلفين)فئات

الوصف

رسم من DBLP بأربعة أنواع عقد: مؤلف وورقة ومصطلح ومؤتمر، وثلاثة أنواع روابط. المهمة تصنيف المؤلفين إلى أربعة مجالات بحثية. من المجموعات المعيارية لـ HAN وHGT وMAGNN، ويستخدمها معيار HGB.

بطاقة المجموعة

نوع المهمة
تصنيف عقد المؤلفين في رسم غير متجانس
التقسيم المعياري
أقنعة تدريب وتحقق واختبار للمؤلفين تأتي مع المجموعة.
الإصدار / المحمِّل
torch_geometric.datasets.DBLP(root)
الترخيص
راجع شروط الاستخدام في صفحة المصدر قبل إعادة التوزيع؛ لم يُذكر الترخيص هنا لأننا لم نتحقق منه.
حجم البيانات
الأرقام بحسب جدول PyG. أعداد الروابط في PyG تشمل الاتجاهين.
مصدر الإحصاءات
جدول STATS في توثيق PyTorch Geometric 2.8.1 (الصنف DBLP)، مقروءاً من الحزمة نفسها.
المصدر الرسمي
https://arxiv.org/abs/2002.01680
في المتصفح
لا: تُشغَّل عبر خادم Python الاختياري أو بالشيفرة أدناه على جهازك.

ملاحظة التشغيل

لا تُضمَّن في المختبر ولا تُشغَّل في المتصفح لحجمها أو لترخيصها. حمّلها في بيئة Python الخاصة بك بالشيفرة المرفقة.

التحميل بلغة Python (PyTorch Geometric)

from torch_geometric.datasets import DBLP

data = DBLP(root="data/DBLP")[0]
print(data.node_types, data.edge_types)

المراجع

  1. Wang, X., Ji, H., Shi, C., Wang, B., Ye, Y., Cui, P., & Yu, P. S. (2019). Heterogeneous Graph Attention Network. The World Wide Web Conference (WWW). DOI: 10.1145/3308558.3313562 · arXiv: 1903.07293HAN: انتباه على مستوى العقد وعلى مستوى المسارات الوصفية (meta-paths).
  2. Hu, Z., Dong, Y., Wang, K., & Sun, Y. (2020). Heterogeneous Graph Transformer. The Web Conference (WWW). DOI: 10.1145/3366423.3380027 · arXiv: 2003.01332HGT: انتباه بمعاملات تعتمد على أنواع العقد والروابط.
  3. Lv, Q., Ding, M., Liu, Q., Chen, Y., Feng, W., He, S., Zhou, C., Jiang, J., Dong, Y., & Tang, J. (2021). Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks. ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD). DOI: 10.1145/3447548.3467350 · arXiv: 2112.14936معيار HGB للرسوم غير المتجانسة وخط الأساس Simple-HGN.