awesome gcn

该存储库是收集GCN，GAT（图）相关资源。

GitHub存储库：

实施：

1. TKIPF/GCN，在Tensorflow中实现图卷积网络，

2. TKIPF/KERAS-GCN，图形卷积网络的KERAS实现，

3. OceChain/GCN，图形卷积网络，

4. PETARV-/GAT，图形注意网络（https://arxiv.org/abs/1710.10903），

5. Diego999/Pygat，Veličković等人的图形注意网络模型的Pytorch实现。 AL（2017，https://arxiv.org/abs/1710.10903），

6. MP2893/克，基于图的注意模型，

7. Danielegrattarola/Keras-Gat，Veličković等人的图形注意网络（GAT）的KERAS实施。 （2017; https://arxiv.org/abs/1710.10903），

8. Luckick/EAGCN，基于Edge注意的多个关系图卷积网络的实现，

改进的GCN：

1. Lightaime/deep_gcns，“ GCN可以像CNN一样深的回购？”，

示例和教程：

1. dbusbridge/gcn_tutorial，图形卷积神经网络的教程，

知识图：

1. TKIPF/关系-GCN，基于KERAS的关系图形卷积网络的实现

2. 1049451037/GCN-Align，本文代码：通过图形卷积网络的跨语性知识图对齐。

3. Michschli/关系预测，实施R-GCN用于关系链接预测

4. Xiangwang1223/knowledge_graph_attention_network，kgat：知识图专注网络推荐网络，KDD2019，

5. Deepakn97/关系prediction，ACL 2019：学习基于注意力的嵌入，用于知识图中的关系预测，

关系提取：

1. QIPENG/GCN跨性树，修剪依赖树的图形卷积改善了关系提取（作者的Pytorch实现），

2. Malllabiisc/居住，EMNLP 2018：居住：使用侧面信息改善遥远监督的神经关系提取，

3. CARTUS/AGGCN_TACRED，注意指导的图形卷积网络用于关系提取（作者的Pytorch实施ACL19纸），

文本分类：

1. yao8839836/text_gcn，用于文本分类的图形卷积网络。 AAAI 2019，

2. yuanluo/text_gcn_tutorial，本教程（目前正在开发）基于我们的论文中的文本GCN的实现：Liang Yao，Yuan Luo的Chengsheng Mao。 “用于文本分类的图形卷积网络。”在第33届AAAI人工智能会议（AAAI-19）中，

3. plkmo/bible_text_gcn，基于文本的图形卷积网络，

4. Iamjagdeesh/Fake-News检测，使用BERT和GRAPH注意网络（GAT），Fake News探测器，基于与之关联的用户。

单词嵌入：

3. Malllabiisc/WordGCN，ACL 2019：使用图形卷积网络将句法和语义信息合并到单词嵌入中，

ner：

1. ContextsCout/GCN_NER，Graph卷积神经网络，名为实体识别，

质量检查：

1. Berc-uoft/Transformer-GCN-QA，基于变形金刚和GCN的多跳Q/A架构，

核心分辨率：

1. ianycxu/rgcn-with-bert，图形卷积网络（GCN），带有bert用于核心分辨率任务[pytorch] [dgl]，

推荐：

1. Peijiesun/diffnet，该代码发布给论文：Le Wu，Peijie Sun，Yanjie Fu，Richang Hong，Xiting Wang和Meng Wang。神经影响扩散模型，用于社会推荐。被Sigir2019接受。

基于骨架的动作识别：

1. Yysijie/ST-GCN，用于基于骨架的动作识别的空间时间图卷积网络（ST-GCN）

异常检测：

1. JX-ZHONG-ACADEMICPOSE-PURPOSE/GCN-ANOMALY检测，CVPR源代码的占位符：2019年的源代码：图形卷积标签噪声清洁器：训练插件和播放动作分类器以进行异常检测。

2. KAIZE0409/GCN_ANOMALYDETECTION，用于归因网络的深度异常检测代码（SDM2019）。

面部聚类：

1. 方Dao/gcn_clustering，CVPR'19纸链接的代码通过GCN，基于纸质链接的面部聚类，

2. YL-1993/Learn-to-to-Cluster，学习在亲和力图上群集面孔（CVPR 2019），

人属性识别：

2. 2014年Gaokao/行人 - Attribute-Regnition-with-GCN，GCN，用于监视场景中的行人属性识别，

人搜索：

1. sjtuzq/person_search_gcn，此存储库托管我们的论文“人搜索的学习场面图”，CVPR2019，口头，

图像分割：

1. Fidler-LAB/Curve-GCN，曲线GCN的官方Pytorch代码（CVPR 2019），

图像分类：

1. Chenzhaomin123/ML_GCN，具有图形卷积网络的多标签图像识别的Pytorch实现，CVPR 2019，

2. Rusty1s/基于图的图像分类，在Tensorflow中实现平面图卷积网络，

3. Avirambh/MSDNET-GCN，ICLR 2018可重复性挑战 - 多尺度密集的卷积网络，用于有效预测，

4. Judyye/Zero-Shot-GCN，与GCN一起零射学习（CVPR 2018），

场景图生成：

1. NVIDIA/CONTRASTIVELOSSES4VRD，CVPR2019纸的实现“场景图生成的图形对比损失”，

2. YUWEIHAO/KERN，FOSICE GRAPH GENTRANTION知识插入路由网络的代码（CVPR 2019），

3. shijx12/xnm-net，pytorch实现“场景图上的可解释和明确的视觉推理”，

4. jiayan97/linknet-pytorch，linknet的pytorch for场景图生成，

5. UEHWAN/3D-SCENE-GRAPH，3D场景图生成器，在Pytorch。

6. Kenneth-wong/castengraph_mem，CVPR 2019代码：探索场景图生成的上下文和视觉模式，Wenbin Wang，Ruiping Wang，Shiguang Shan，Shiguang Shan，Xilin Chen，CVPR 2019.，2019年。

7. danfeix/scene-graph-tf-release，“迭代消息传递的场景图生成”代码存储库http://cs.stanford.edu/~danfei/~danfei/scene--，

8. Google/sg2im，“场景图生成图像生成”的代码，Johnson等，CVPR 2018，

9. Rowanz/Neural-Motifs，神经图案的代码：带有全球环境的场景图解析（CVPR 2018）https://rowanzellers.com/neuralmotifs，

10. jwyang/graph-rcnn.pytorch，我们的eccv 2018纸张“图形R-CNN场景图生成”和其他论文的Pytorch代码，

11. yikang-li/factorizablenet，可取分的净（多GPU版本）：一个有效的基于子图的场景图生成框架，

交通流量：

1. Lehaifeng/T-GCN，城市交通流预测方法的时间图卷积网络

2. Franceszhou/gcntrafficprediction，

3. Davidham3/ASTGCN，基于注意的时空图形卷积网络，用于交通流量预测（ASTGCN）AAAI 2019，

疾病预测：

2. Parisots/人口GCN，用于人口图的图形CNN：遵守数据集的分类，

路径预测：

1. zhenye-na/gcn-spp，使用图形卷积网络的最短路径预测，

2. raphaelavalos/activation_tsp_graph_net，注意力的实现解决了您的TSP，大约（W。Kool等人）用DeepMind的Graph Nets库，

3D点云：

1. Maggie0106/Graph-CNN-IN-IN-3D点云分类，用于3D点云分类的图形CNN的代码（ICASSP 2018），

2. Jiexiong2016/gcnv2_slam，具有深度功能的实时大满贯系统，

到序列的图：

1. wngzhiqi/graph2seq-graph-to-sequaph-to-sequence-loceence-enterning基于注意的神经网络，该回购是CMU的11785（深度学习）项目。我们正在再现称为“ Graph2Seq：Graph至序列学习的序列学习的论文”（https://arxiv.org/pdf/1804.00823.pdf）。团队成员：Zhiqi Wang，Ziyin Huang，Hong Du，Zhengkai Zhang，

2. Syxu828/graph2seq-0.1，这是纸质“ Graph2Seq：Graph：Graph to to Gragh to sequence Learning tater Ickition Neural Networks”的代码，

化学稳定性预测：

1. mingcpu/deepchemstable，深层化学：使用基于注意的图形卷积网络的化学稳定性预测，