图卷积网络 这是图卷积网络的TensorFlow实现，用于图中节点的（半监督）分类任务，如我们的论文所述： Thomas N.Kipf，Max Welling，（ICLR 2017） 有关高级解释，请查看我们的博客文章： 托马斯·基普夫（Thomas Kipf），（2016） 安装 python setup.py install 要求 张量流（> 0.12） 网络 运行演示 cd gcn python train.py 数据 为了使用您自己的数据，您必须提供 N×N邻接矩阵（N是节

TensorFlow中用于图卷积网络的可学习聚合器 图卷积网络的可学习聚合器的TensorFlow实现。 通过引入共享的辅助模型为GCN（LA-GCN）提供可学习的聚合器，该模型在邻域聚合中提供了自定义架构。 在此框架下，提出了一种称为LA-GCN（Mask）的新模型，其中包括一个新的聚合函数，即掩码聚合器。 辅助模型为给定节点的每个邻居学习一个特定的掩码，从而允许注意节点级别和功能级别。 该机制将学习为预测的节点和特征分配不同的重要性，从而为预测提供可解释的解释并提高模型的鲁棒性。 张力

text_gcn 本文中Text GCN的实现： 梁耀，毛成胜，罗源。 “图卷积网络用于文本分类。” 在第33届AAAI人工智能会议（AAAI-19）中 要求 Python 2.7或3.6 Tensorflow> = 1.4.0 再现结果 运行python remove_words.py 20ng 运行python build_graph.py 20ng 运行python train.py 20ng 在为其他数据集生成结果时，将上述3个命令行中的20ng更改为R8 ， R52