/Complex-Network

复杂网络研究资源整理和基础知识学习

Primary LanguageJupyter Notebook

复杂系统和复杂网络


知名学者

可以通过谷歌学术 Follow 大佬的最新研究

排名不怎么分先后😊

年轻学者:


研究小组

复杂性科学研究机构推荐 by 集智俱乐部


网络学习资源

基础知识课程

  • 🌟 CS224W: Machine Learning with Graphs

    斯坦福大学 Jure Leskovec 大佬小组的课程, 包含基本的图结构,图表征介绍,以及最新的 图神经网络,知识图谱的讲述。 主页有课程 PPT (PS:如果不能访问,可以直接下载我存好的讲义

  • 🌟 Barabási Lab

    上面介绍的 Barabási 巨佬实验室出的复杂网络相关课程。 也可以直接看在线书,内容相同。 (PS:如果不能访问,可以直接下载我存好的讲义)

  • Complexity- Explore(introduction to complexity

    上面介绍的 Santa Fe Institute 出的在线课程

  • 集智俱乐部

    北京师范大学张江老师创建的一个研究复杂网络的社区, 会实时推送有关复杂网络的研究新进展,也有一些课程,部分付费

相关书籍

支持正版

Github相关项目

  • 🌟🌟 thunlp/GNNPapers

    清华大学 nlp 实验室(刘知远大神小组)整理的有关 图神经网络(GNN) 的重要论文。

  • 🌟 Literature of Deep Learning for Graphs

    唐建老师小组收集 Deep Learning for Graphs, 可按主题和会议分别筛选

  • Graph-based deep learning literature

    按照会议收集的图相关论文

  • Graph Adversarial Learning Literature

    图结构数据的对抗攻击和防御论文收集

  • awesome-self-supervised-gnn

    self-supervised learning on Graph Neural Networks

  • snap-stanford/ogb

    Snap Open Graph Benchmark : Benchmark datasets, data loaders, and evaluators for graph machine learning

  • GraphVite

    graph embedding at high speed and large scale: node embedding, knowledge graph embedding and graph & high-dimensional data visualization ( works on any Linux distribution with CUDA >= 9.2.)

  • 🌟🌟 pytorch_geometric

    基于 Pytorch 实现的 geometric deep learning models: deep learning on graphs and other irregular structures. 包含 node2vec, GCN GAT,GraphSAGE,JK-Net, GIN 等经典模型, 也有最新的 Dropedge, GraphSAINT 等模型。 (ps: macos 目前只支持 cpu)

  • PyTorch Geometric Temporal

    A temporal (dynamic) extension library for PyTorch Geometric. Temporal graph neural networks : Recurrent Graph Convolutions,Temporal Graph Convolutions, Auxiliary Graph Convolutions.

  • PyTorch Geometric Signed Directed

    A signed and directed extension library for PyTorch Geometric. The library consists of various signed and directed geometric deep learning, embedding, and clustering methods from a variety of published research papers and selected preprints.

  • Python Graph Outlier Detection

    PyGOD includes more than 10 latest graph-based detection algorithms, such as DOMINANT (SDM'19) and GUIDE (BigData'21). For consistently and accessibility, PyGOD is developed on top of PyTorch Geometric (PyG) and PyTorch, and follows the API design of PyOD. See examples below for detecting outliers with PyGOD in 5 lines.

  • 🌟 Deep Graph Library

    DGL is an easy-to-use, high performance and scalable Python package for deep learning on graphs. DGL is framework agnostic, meaning if a deep graph model is a component of an end-to-end application, the rest of the logics can be implemented in any major frameworks, such as PyTorch, Apache MXNet or TensorFlow.

  • 🌟 Spektral

    Spektral is a Python library for graph deep learning, based on the Keras API and TensorFlow 2. The main goal of this project is to provide a simple but flexible framework for creating graph neural networks (GNNs).

  • 🌟 thuDM/cogdl

    CogDL is a graph deep learning toolkit that allows researchers and developers to easily train and compare baseline or customized models for node classification, graph classification, and other important tasks in the graph domain. (Tsinghua University)

  • BUPTDM-OpenHINE / BUPTDM-OpenHGNN / Space4HGNN

    This is an open-source toolkit for Heterogeneous Graph Neural Network(OpenHGNN) based on DGL [Deep Graph Library] and PyTorch. We integrate SOTA models of heterogeneous graph. (Beijing University of Posts and Telecommunications)

微信公众号

  • 🌟 深度学习与图网络(AIGraph) : 图网络最近顶会动态

  • 北邮 GAMMA Lab(BUPT_GAMMA) : 北邮图数据挖掘与机器学习实验室, 石川老师小组

  • ACTBIGDATA : 北航计算机学院 李建欣(Jianxin Li)老师小组

  • GEAR图学习(SYSU-GL) : 中山大学 郑子彬教授 InplusLab 小组

  • MIRA Lab: 中科大 王杰老师 MIRA 小组

  • 🌟 图与推荐(GraphRec): 北邮纪厚业博士, GAMMA Lab博士生, 代表作 HAN

  • AI in Graph : 图在生物信息中的应用

  • 复杂网络(ComplexNetworks) : 不定期分享一些网络研究工具和书籍

  • 开放知识图谱(OpenKG) : 有关知识图谱的论文分享

  • 人工智能前沿讲习(AIFrontier) : 论文解读分享

  • telegram : Graph Machine Learning : 每天更新有关图机器学习的 paper 会议以及相关内容, 很不错.

个人博客

B 站 UP 主


图神经网络学习

Workshop_graph

有关图表征和图神经网络的 workshop

GNN_tutorial

个人看完觉得很有收获的几个 tutorial :

GCN_code

GCN 基本模型实现代码, 用到的数据集在这里

GraphSAGE_code


网络基础知识学习

用到的数据在这里


研究数据集收集


研究软件工具

  • 🌟 Networkx

    Python 语言开发的图论与复杂网络建模,支持创建简单无向图、有向图和多重图,内置许多标准图算法。

    安装容易, 社区活跃, 100,000 节点下表现可接受

    缺少可视化输出 (可视化结果不好看)

  • iGraph

    高效,易于创建,操作,分析图的一个库, 支持 python, R, C 语言。 使用 C 语言的速度比使用 python 包分析速度快两个数量级。

    支持 社区检测, 有内置的搜索机制去定位边和节点

    支持较高质量的图片输出

    iGraph 运行速度是 NetworkX 的 10-50倍。(10w 节点以上的网络,networkX 不太适合)

    安装较为麻烦, 需要 C 编辑器。

  • graph-tool

    整个库全部由 C / C++ 完成,加速运行

    支持 并行计算,多个子任务同时运行

    支持多种形式的图形输出

    内置很多图 统计分析工具, 社区检测, blockmodeling 算法

    安装和编译较为麻烦

  • NetworKit

    支持并行计算

    和 NetworkX 兼容, 在 NeworkX 建立网络, 可以直接移植到 Networkit

可视化工具(large graph)

  • 🌟 Gephi

    GUI ,使用方便。 社区有很多插件,但是开发者好像不再更新 Gephi 了。

  • GraphViz

    命令行工具,容易自动化,但是交互性较差

  • iGraph

    C 编译,有 python 库。 但是 Python 的 API 看起来有点乱(难受)。

  • LargeVis

    前面提到的唐建大佬的工作(相关paper)。 处理超大规模的数据(百万量级),命令行工具,速度快,占用内存少。

  • Graphistry

    GUI 好看,出图较炫。 但是按小时付费,功能不全,节点有限制。

  • Network 3D

    Mac os 上 网络三维可视化工具, 目前是 beta 版,还有些功能没有实现

  • pajek

    mac 和 linux 大型网络可视化, 完整中文教程,和相关的试验数据集

  • cytoscape

    开源的可视化软件

  • Ployly

    基于 dash 库 pip install dash dash-cytoscape,感觉稍微有点麻烦而且不提供对 notebook 的支持。

  • PyEcharts

    百度开源的图表可视化项目, 不可以随意拖动节点。

  • 🌟 AnyChart

    节点和边的形状、标签信息可以高度定制化,而且节点可以任意拖动,可以基于 Java、Scala、JavaScript、Python等语言使用。虽然 AnyChart 支持 Python,但是需要配合 Django、MySQL 一起使用就有点复杂,这个库比较适合中大型项目的图展示

  • PyVis

    可交互的图可视化库, 提供了基本的节点显示和操作,可以有不同的布局.



参考