【摘 要】
：
随着人工智能的快速发展，深度学习已经在图像、文本和语音等可在欧式空间表示的数据中取得了巨大成功，但却一直无法很好地应用于非欧式空间。近年来，随着图神经网络的出现，其已经在非欧几里得空间中展现出了强大的表示学习能力，并广泛应用于推荐系统，自然语言处理以及机器视觉等众多领域。图神经网络模型基于信息的传播机制，具体地，图中的目标节点通过聚合邻居节点的信息，以更新自身的嵌入表示。利用图神经网络，我们可以将
【基金项目】
：
国家自然科学基金（62202253，62172249）； 山东省自然科学基金（ZR2021QF074，ZR2021MF092）；
论文部分内容阅读
随着人工智能的快速发展，深度学习已经在图像、文本和语音等可在欧式空间表示的数据中取得了巨大成功，但却一直无法很好地应用于非欧式空间。近年来，随着图神经网络的出现，其已经在非欧几里得空间中展现出了强大的表示学习能力，并广泛应用于推荐系统，自然语言处理以及机器视觉等众多领域。图神经网络模型基于信息的传播机制，具体地，图中的目标节点通过聚合邻居节点的信息，以更新自身的嵌入表示。利用图神经网络，我们可以将众多现实问题（如社交网络、知识图谱和药物化学成分等）抽象成图网络，借助图中的连接边，对不同节点之间的依赖关系进行合理建模。鉴于此，本文对图神经网络进行了系统综述，首先介绍了图结构数据方面的基础知识，然后对图游走算法和不同类型的图神经网络模型进行了系统梳理。进一步地，还详细记述了当前图神经网络的通用框架和应用领域，最后对图神经网络未来的研究进行了总结与展望。
其他文献
＜正＞随着《数据安全法》的正式出台，我国网络法律法规体系实现进一步完善，具有行业特点的细化管理方案还未出台，我国网络安全和数据安全的法律体系将愈加完善。某研究院经过多年信息化建设，有数十余套信息系统，在缺乏行业标准的前提下。暂时未按照《数据安全法》的要求进行管理，存在相应风险。
研究野坝子挥发油β-环糊精包合物的最佳制备工艺。采用饱和水溶液法制备野坝子挥发油β-环糊精包合物。以包合物的收率和包合物含油率为评价指标，采用正交设计法优选野坝子挥发油β-环糊精包合物的制备工艺条件，并使用薄层色谱法和紫外分光光度法对包合效果进行评价。结果表明，正交实验得到的最佳工艺条件：挥发油与β-环糊精的配比为1∶6 mL/g、包合温度为60℃、包合时间1.5 h，在此工艺条件下，β-环糊精包
唐代的元日早朝是依照唐《贞观礼》和《开元礼》的礼制要求举行的，在礼制规定的礼仪中，汉、魏传统的“尊君抑臣”观念得到了延续和强化。但在唐代诗人的元日早朝诗中，因作者的角色不同，这种观念却有所淡化，有些作品几乎没有这种情感。唐太宗贞观时期和唐肃宗乾元年间的两次元日早朝唱和，体现了唐代不同时期君王和士大夫对盛世的赞美和期待。但中唐以后的元日早朝诗，却因为作者身份的多样化，诗中的内容和情感也显现出多种多样
“十四五”规划提出，要完善现代税收制度。本文总结我国税制结构改革发展历程，分析我国税制结构现状，并提出一些建议。
针对图形式的非结构化数据的有效处理技术和深度学习存在的诸多问题，介绍了图的定义及表示，阐述了研究图神经网络技术的必要性；综述了国内外图神经网络方法、模型原理、公开资源与主要应用领域的研究进展和发展动态；指出了图神经网络技术面临的挑战和发展方向。
智能合约作为区块链2.0上一段经触发后可自动执行的代码,由于其一经部署就不能更改的特性,一旦存在漏洞的智能合约被部署到区块链中且被恶意人员利用,便很可能造成非常大的经济损失.提出的MP-ATT-GCN使用图神经网络检测智能合约漏洞,将智能合约源码进行拆分细化构建成图结构;在图卷积神经网络（GCN）的基础上分别使用多层感知器（MLP）进行特征过滤、同时结合注意力机制增强模型对特征的理解能力.对重入漏
鉴于图表示学习是一种将图结构转化为向量表示的方法，探讨了其在社交网络、生物网络、贸易网络和计算机网络等各个领域的应用情况；为了梳理图表示学习的发展历程，用全面的视角了解不同方法以及相关应用，综述了图嵌入和图神经网络这2类重要的图表示学习的研究进展；详细介绍了其中几个经典的算法；重点阐述了图表示学习在生化医疗领域的应用；深入讨论了图表示学习领域所面临的难点和挑战以及未来可能的研究方向.
青年马克思通向历史唯物主义的思想征途，在一定程度上也是打破黑格尔对世界秩序的神正论解读进而发现社会历史之真实本质的过程。在历史唯物主义的视野中“，世界秩序”不仅具有现实的国际关系的意涵，更是关于人类自由和解放的哲学范畴。青年马克思在思想史上第一次从物质生产的历史性过程出发对世界秩序的产生、演变和前景进行全面论述，实现了世界秩序的政治哲学阐释在本体性逻辑和方法论视角上的双重变革。不过，这并不意味着就
提出了一种基于异构图神经网络（HGNN）的药物重定位方法。该方法对药物-疾病关联网络、药物-药物相似性网络和疾病-疾病相似性网络的信息进行并行融合，有效地保留了各个网络的信息。此外，针对图卷积神经网络（GCN）提取信息能力的不足，本工作加入了图注意力网络（GAT）和层注意力机制，增强了特征提取能力，进一步提高了模型的预测性能。实验验证表明，提出的网络在Fdataset上达到了94.4%的AUROC
新药开发需要耗费很高的成本，建立高效且高准确度的药物新适应症预测方法非常重要，提出一种基于图神经网络协同过滤的药物疾病关联预测方法，获取药物与疾病治疗关系中的信息并结合药物相似性获得更好的预测表现。首先通过图神经网络提取药物-疾病治疗关系数据中的协作信号细化药物嵌入，然后利用嵌入计算药物之间的治疗关系相似性，再结合药物化学结构、蛋白质和副作用相似性预测药物的新作用。与现有的协同过滤方法在相同数据集