Граф друзей вконтакте: Анализ дружеских связей VK с помощью Python. Продолжение / Хабр

Как создать граф друзей ВКонтакте — подробное руководство

Граф друзей ВКонтакте – некогда популярная функция, с помощью которой можно было визуально увидеть, в каких отношениях состоят ваши друзья в социальной сети, знакомы они друг с другом или нет. Она брала информацию из открытых источников, а затем отображала ее для пользователя. Подобная функция имелась во многих сервисах. Но работают ли они сейчас? Давайте разберемся с этим вопросом.

Содержание

• Подробная информация
  • Особенности и нюансы использования 3D Social Graph
• Итоги

Подробная информация

Раньше эта функция была довольно популярной. Но сейчас интерес к ней сильно упал, поэтому большая часть старых сервисов, к сожалению, не работает. YASIV – самый популярный из них, в последний раз обновлялся в далеком 2016 году. Его сайт еще работает, но никакой информации оттуда не получить.

Самый простой способ, как воспользоваться социальным графом ВКонтакте, заключается в запуске специальных приложений. С этой задачей отлично справляется 3D Social Graph. Давайте рассмотрим его чуть более детально.

Особенности и нюансы использования 3D Social Graph

Данное приложение реализовано очень удобным образом:

• Все ваши друзья отображаются на трехмерном графе, который можно вращать для лучшего понимания ситуации.
• По удаленности аватарок пользователей друг от друга можно понять, насколько тесно они связаны.
• А соединенные линиями аватарки свидетельствуют о дружбе.

Чтобы воспользоваться 3D Social Graph, перейдите по этой ссылке. Затем нажмите на «Запустить приложение» и предоставьте ему доступ к данным с вашей страницы, если это потребуется.Теперь подождите, пока идет обработка списка друзей и связей между ними.

Управление предельно простое:

• Прокрутка колесика мыши отвечает за приближение и удаление.
• С зажатой левой клавишей мыши можно вращать граф в трехмерном пространстве.
• А с зажатой правой клавишей – двигаться по одной плоскости.
• Иконка с рамками в правом верхнем углу отвечает за включение полноэкранного режима. Выйти из него можно с помощью кнопки Esc на клавиатуре.
• Если кликнуть по аватарке пользователя, то снизу отобразится окно дополнительной информации.
• А с помощью кнопки Go можно составить граф уже для него.

Как мы отмечали ранее, удаленность или приближенность аватарок пользователей говорит о тесноте связей между ними. Чем аватарки дальше, тем меньше у людей пересечение друг с другом. А соединенные линии свидетельствуют уже о дружбе.

Обратите внимание, что данное приложение не сможет получить полноценный доступ к закрытым страницам. Таково ограничение социальной сети, и нет смысла даже пытаться его обойти каким-либо способом.

Итоги

В настоящий момент социальный граф ВКонтакте (или граф друзей) далеко не так распространен. По этой причине старые сервисы с такой функцией, к сожалению, не работают. Но есть современные приложения, где она есть, например, 3D Social Graph. Данное приложение – не единственное, но оно отлично справляется с поставленной задачей. При желании вы можете поискать и другие.

Дерево друзей: dlinyj — LiveJournal

Дерево друзей: dlinyj — LiveJournal ?

Category:

• История
• Cancel

Постараюсь держать себя в руках, чтобы пост не состоял только из восторженных эпитетов, междометий и восхищений

На хабре появилась замечательная статья о построение графов друзей вконтакте. Это капец. Граф друзей, это индивидуальная подпись человека. Я уже об этом как-то писал тут: http://dlinyj.ru/apparatnaya-anonimnost-v-setyax-gsm/ По этому графу можно определить точно человека.

Не зря бытует поговорка: Скажи кто твои друзья, и я скажу кто ты.

Я залип на час с этим графом. Восторженно смотрел как растут связи между друзьями, лез всё дальше и дальше, наблюдая как умирает мой комп…

Мой граф, друзей, друзей друзей, друзей друзей друзей и т.п.

В общем я наслаждался зрелищем, пока мой комп не стал томозить совершенно адово. Надеюсь допилят это до более юзабельного состояния. Если мне дадут доступ к мейнфрейму (боюсь что не дадут, когда узнают зачем :))) ), то я на сутки зависну, наблюдая различные связи.

Интерфейс примитивен. Выделяешь друга, можно задать цвет его связей. Я так и сделал для наиболее значимых и плодовитых друзей. Для того, чтобы посмотреть круг его друзей, надо два раза кликнуть на нём. Можно удалить одного товарища, но другие перекрёстные связи остануться.

Невероятно нехватает возможности вращения, растягивания графов, подписей ветвей. Быстрого и удобного редактирования. А так же надо добавить дикое параллеливание сего действа.

Но даже с этими багами, и с тем, что у меня вместо юзерпиков синие квадратики — это фантастика. Я в восторге!!! Всем срочно заводить аки вконтакте :))))

Забыл сказать где смотреть (чтобы не копать хабр): тут http://www.yasiv.com/vk

Для проверки, что шляпа заработает в вашем браузере и системе, можно зайти на http://get.webgl.org/ и вы должны увидеть кубик. Например в Опере как в винде ХРюшке, так и в лине не пашет (проверенно на двух разных компах). Но в хроме работает отлично и там и там.

З.Ы. Никто не подскажет возможность измерения количества юзверей заглянувших под кат?

Tags: Инфо, Лытыбр, Огонь

Subscribe

• Обзоры книг: Аникин Н.А., Бородаев Д.А. и др. «Справочник для изобретателя и рационализатора»

  Обожаю такие книги, они вдохновляют на творчество, создание чего-то нового и созидание. Эта книга одна из них. Она интересна с точки зрения…

• «Микроша» — сопротивление бесполезно

  Многоуважаемая xlat выложила пост о недрах «Микроши» , и тут я вспомнил что находил ошибки в схемотехнике и топологии этого…

• Электрозавод

  В понедельник по делам меня занесло на Электрозавод. Давно знаю этот завод, даже имел опыт обследования продукции завода, но никогда ранее не был…

Photo

Hint http://pics.livejournal.com/igrick/pic/000r1edq

22 comments

• 22 comments

• Обзоры книг: Аникин Н.А., Бородаев Д.А. и др. «Справочник для изобретателя и рационализатора»

  Обожаю такие книги, они вдохновляют на творчество, создание чего-то нового и созидание. Эта книга одна из них. Она интересна с точки зрения…

• «Микроша» — сопротивление бесполезно

  Многоуважаемая xlat выложила пост о недрах «Микроши» , и тут я вспомнил что находил ошибки в схемотехнике и топологии этого…

• Электрозавод

  В понедельник по делам меня занесло на Электрозавод. Давно знаю этот завод, даже имел опыт обследования продукции завода, но никогда ранее не был…

Как визуализировать вашу сеть друзей на Facebook · AllThingsGraphed.

com 28 августа 2014 г.

Существуют приложения, которые будут генерировать определенные типы сетевых визуализаций ваших данных Facebook. Тем не менее, это руководство предназначено для тех, кто хотел бы глубже изучить свои собственные данные и иметь больше контроля над тем, как это визуализируется. Часто визуализирует и анализирует графики и сети требует определенных усилий, чтобы ознакомиться с данными, чтобы получить интуицию на как связаны данные.

Самое интересное в этом прохождении состоит в том, что вы уже являетесь экспертом в своей собственной сети друзья, поэтому видя, как вещи группируются, сделает это упражнение интуитивно понятным. Но что на самом деле делает это интересно, когда сеть освещает отношения, связи и группы в вашем друге сеть, о существовании которой вы не знали. Часто вы обнаружите, что можете поговорить с друзьями о новых общих интересы или связи с другими людьми, которых вы оба знаете, о которых вы, возможно, не знали ранее.

Если вы еще не установили Gephi, вы можете сделать это, перейдя сюда.

Его бесплатно и работает на Mac, Windows и Linux.

Чтобы загрузить ваши данные Facebook в формате, который Gephi и читать, я буду использовать этот инструмент netvizz Facebook. Нажмите на «личная сеть» ссылку, затем нажмите «Старт». Вам нужно будет разрешить приложению просматривать вашу сеть друзей на Facebook. После завершения создания сети щелкните правой кнопкой мыши ссылку «файл gdf» и выберите «сохранить как…».

Откройте Gephi, затем нажмите «Открыть файл графика…» и выберите файл, который вы ранее загрузили с netvizz. Не забудьте установить флажок «Направлено». Gephi по умолчанию загружает сеть в случайном месте так что изначально это будет выглядеть примерно так:

Схема графика/сети — это алгоритм, используемый для позиционирования узлов. Существует множество различных макетов. Для В этом обзоре мы будем использовать макет «Fruchterman Reingold», который является своего рода силовая компоновка. Выберите макет с помощью Вкладка «Макет» слева:

После выбора макета «Fruchterman Reingold» нажмите «Выполнить». У этого макета нет точки, где он остановится сам по себе. Просто наблюдайте, как он работает, пока размещение узла не установится. Вы заметите, что ваша сеть друзей на Facebook уже объединяются в несколько самостоятельных групп. Это может выглядеть примерно так:

Вам не обязательно придерживаться этого макета. Попробуйте поэкспериментировать с другими макетами, такими как «Force Atlas» или «Circular Layout». Есть также другие алгоритмы компоновки, которые вы можете установить в виде плагинов, перейдя в «Инструменты -> Плагины» и выполнив поиск «макет».

Вы, вероятно, уже замечаете кластеры или сообщества узлов. Человеческий мозг интуитивно видит эти закономерности. К заставьте Gephi обнаружить их, запустите статистику «Модульность» на вкладке «Статистика» справа (просто используйте настройки обнаружения по умолчанию):

Далее давайте добавим немного цвета на основе этих разных сообществ, чтобы они лучше выделялись. Закройте сгенерированный отчет о модульности, а затем нажмите на вкладку «Раздел» слева:

Выберите «Класс модульности» из раскрывающегося списка (возможно, вам придется обновить его, используя кнопку обновления слева от раскрывающегося списка) и затем нажмите «Применить». На данный момент ваш график может выглядеть примерно так:

Если вам не нравятся цвета, вы можете изменить их, щелкнув правой кнопкой мыши на одном из цветных квадратов и выбрав «Случайный порядок цветов». Вы также можете щелкните левой кнопкой мыши и удерживайте один из квадратов, чтобы изменить его цвет в палитре цветов.

Ранжирование — это процесс ранжирования узлов по определенным числовым критериям. В настоящее время в вашей сети друзей не так много всего, что вы могли бы сортировать друзей по. На вкладке статистики справа есть несколько различных алгоритмов для запуска, которые будут назначать номер каждому узлу (другу). в сети по некоторым критериям. Я не буду описывать здесь каждый из них, но для целей этого руководства я выберу ранжирование по «В степени».

Степень — это просто количество подключений к узлу (входящих или исходящих). Входящая степень — это количество соединений, которые указывают от других узлов

в к узлу. И наоборот, Out-степень — это количество соединений, которые идут из от узла к другим узлам. В контексте сети Facebook здесь, In-grade — это количество ваших друзей, которые также дружат с конкретным другом. Таким образом, друг с высокой степенью «In-Step» будет другом. это хорошо известно среди ваших друзей. Это кажется разумным рейтингом для использования — своего рода неофициальным рейтингом «популярности».

Для расчета степени используйте вкладку «Статистика» справа и запустите статистику «Средняя степень». Закройте отчет после его создания и нажмите на вкладку «Рейтинг» слева:

Нажмите на красный значок (похожий на рубин или бриллиант), выберите «В степени» из выпадающего списка и нажмите «Применить». Узел размеры будут меняться в зависимости от этого рейтинга. Чем больше узел, тем больше его «In-Degree». Попробуйте настроить «Минимальный размер» и «Максимальный размер» на свой вкус. симпатия. Вы также можете изменить параметр «Сплайн…», чтобы изменить тип используемого рангового масштабирования. Теперь ваш график должен выглядеть так:

Прежде чем мы экспортируем график в красивое изображение, давайте уделим некоторое время изучению графика. Нажмите на значок «Редактировать» слева от графика. (выглядит как указатель мыши со знаком вопроса рядом с ним). Обратите внимание: возможно, вам придется дважды щелкнуть значок, чтобы перевести его в нужный режим. Вы хотите, чтобы вкладка «Редактировать» отображалась слева. Теперь масштабируйте/перемещайтесь по графику и нажимайте на узлы, чтобы увидеть, какие узлы представляют конкретные друзья. Вот что можно попробовать:

1. Нажмите на нескольких друзей в определенном сообществе/группе узлов и спросите себя, что у них общего. Это даст вам смысл того, что эта группа может быть помечена.
2. Часто один конкретный узел выделяется множеством подключений. Нажмите на этот узел. Это твоя вторая половинка? Лучший друг? Обратите внимание, как они могут охватывать несколько разных сообществ ваши друзья (особенно их семья и ваша семья). Разумеется, узел с наибольшей степенью (как в степени, так и вне) моя жена.
3. Заметили ли вы, какие друзья могут объединять разные сообщества? Знаете ли вы, что они относятся к обеим этим группам?
4. Вы замечаете друзей, которые знают друг друга, о которых вы не знали? Спросите их об этом в следующий раз раз вы их видите.
5. Есть ли у вас друзья, которые находятся в одиночестве в вашей сети? Попробуйте познакомить их с другими друзьями, которых вы иметь.

Теперь, когда ваша сеть разложена, раскрашена и ранжирована, пришло время экспортировать ее в красивый график. Нажмите кнопку «Предварительный просмотр» в верхней части Gephi. Сначала это «Предварительный просмотр» панель будет пустой. Нажмите «Обновить», чтобы загрузить график как есть:

(имена опущены для приватности)

Уже выглядит неплохо. Он должен иметь все цвета и размеры узлов, которые вы видели раньше. К по умолчанию он использует изогнутые края, что придает ему более органичный вид.

Теперь давайте добавим имена ваших друзей в качестве меток узлов. В разделе «Ярлыки узлов» установите флажок «Показать Ярлыки» и нажмите «Обновить». Он показывает имена ваших друзей и их размеры пропорционально исходя из их рейтинга. Вы можете попробовать вариант «Коробка», чтобы сделать имена более заметными. Играйте с «Непрозрачность коробки», чтобы сделать коробку нужной тонкости. Каждый раз, когда вы меняете настройки, вам придется «Обновить» изображение.

Когда график вам понравится, нажмите кнопку «Экспорт» в левом нижнем углу и выберите желаемый формат. Если вы выберете png, обязательно нажмите «Параметры…» и сделайте ширину/высоту большими. достаточно, чтобы вы могли увеличить масштаб, чтобы увидеть имена.

Вот и все. Есть и другие вещи, например, разные макеты, разные параметры ранжирования, степени разлуки и даже «нападения» на сеть дружбы. Я расскажу об этом в следующем посте. Если вам понравилось это делать, опубликуйте свою сеть Facebook на своей странице Facebook и дайте ссылку на это руководство.

Хотите увидеть больше подобных визуализаций и анализа? Есть общий отзыв или идея? Не стесняйтесь обратиться ко мне.

Прогнозирование производительности пользователей онлайн-социальных сетей с помощью графовых нейронных сетей | Гафаров

[1] Р. Бюттнер, «Прогнозирование поведения пользователей на электронных рынках на основе анализа личных данных в крупных онлайновых социальных сетях», Электрон. Отметка. , том. 27, нет. 2017. Т. 3. С. 247–265. doi: 10.1007/s12525-016-0228-z.

[2] Г. Х. Мартоно, А. Ажари и К. Мустофа, «Расширенный подход к графу коллективного влияния веса для обнаружения влияния субъекта», Междунар. Дж. Адв. Интел. Информатика , вып. 8, нет. 1, стр. 1–11, март 2022 г., doi: 10.26555/ijain.v8i1.800.

[3] А. Улизульфа, Р. Кусуманингрум, К. Хадиджа и Р. Рисмияти, «Обнаружение темперамента на основе данных Twitter: классическое машинное обучение против глубокого обучения», Int. Дж. Адв. Интел. Информатика , вып. 8, нет. 1, стр. 45–57, март 2022 г., doi: 10.26555/ijain.v8i1.692.

[4] Л. Алзубайди и др. , «Обзор глубокого обучения: концепции, архитектуры CNN, проблемы, приложения, будущие направления», J. Большие данные 2021 81 , vol. 8, нет. 1, стр. 1–74, март 2021 г., doi: 10.1186/S40537-021-00444-8.

[5] Ф. Дж. П. Монтальбо и А. А. Эрнандес, «Классификация болезней листьев кофе Барако с использованием глубоких сверточных моделей», Int. Дж. Адв. Интел. Информатика , вып. 6, нет. 2, стр. 197–209, июль 2020 г., doi: 10.26555/ijain.v6i2.495.

[6] Дж. Цю, Дж. Тан, Х. Ма, Ю. Донг, К. Ван и Дж. Тан, «DeepInf: предсказание социального влияния с помощью глубокого обучения», Proc. ACM SIGKDD Int. конф. Знай. Дисков. Данные Мин. , стр. 2110–2119, июль 2018 г., doi: 10.1145/3219819.3220077.

[7] Л. Гао, Х. Ван, З. Чжан, Х. Чжуан и Б. Чжоу, «HetInf: прогнозирование социального влияния с помощью гетерогенной графовой нейронной сети», Front. физ. , том. 9, с. 729, январь 2022 г., doi: 10.3389/FPHY.2021.787185.

[8] Л. Шанг, Ю. Чжан, Д. Чжан и Д. Ван, «FauxWard: подход графовой нейронной сети к обнаружению ложной стографии с использованием комментариев в социальных сетях», Soc. сеть Анальный. Мин. , том. 10, нет. 1, стр. 1–16, декабрь 2020 г., doi: 10.1007/S13278-020-00689-В.

[9] П. Чжу и др. , «SI-News: интеграция социальной информации для рекомендаций по новостям со сверточной сетью графов на основе внимания», Neurocomputing , vol. 494, стр. 33–42, июль 2022 г., doi: 10.1016/J.NEUCOM.2022.04.073.

[10] К. Чжан, С. Ван, Д. Чжан, М. Инь и Ф. Лу, «Вывод социальных ролей пользователей с помощью модели многоуровневой графовой нейронной сети», Entropy 2021, Vol. 23, страница 1453 , том. 23, нет. 11, с. 1453, ноябрь 2021 г., doi: 10.3390/E23111453.

[11] К. Тан, Н. Лю и С. Ху, «Глубокое репрезентативное обучение для анализа социальных сетей», Front. Большие данные , том. 2, с. 2, апрель 2019 г., doi: 10.3389/FDATA.2019.00002.

[12] А. В. Манцарис, Д. Чиодини и К. Рикетсон, «Использование сверточной нейронной сети с простым графом в качестве модели для моделирования распространения влияния в сетях», Comput. соц. Сети , вып. 8, нет. 1, стр. 1–17, декабрь 2021 г., doi: 10.1186/S40649-021-00095-Y.

[13] M. Zhang, Z. Cui, M. Neumann и Y. Chen, «Сквозная архитектура глубокого обучения для классификации графов», Проц. Конф. АААИ. Артиф. Интел. , том. 32, нет. 1, стр. 4438–4445, апрель 2018 г., doi: 10.1609/AAAI.V32I1.11782.

[14] В. Фан и др. , «Графические нейронные сети для социальных рекомендаций», Web Conf. 2019 — Учеб. World Wide Web Conf. WWW 2019 , стр. 417–426, май 2019 г., doi: 10.1145/3308558.3313488.

[15] X. Wei, R. Yu, and J. Sun, «View-GCN: сверточная сеть на основе графа для трехмерного анализа формы», Proc. IEEE вычисл. соц. конф. вычисл. Вис. Распознавание образов. , стр. 1847–1856, 2020, doi: 10.1109/CVPR42600.2020.00192.

[16] Y. Xie, M. Gong, Y. Gao, A.K. Qin и X. Fan, «Многозадачная архитектура обучения представлению для расширенной классификации графов», Front. Неврологи. , том. 13, с. 1395, январь 2020 г., doi: 10.3389/FNINS.2019.01395.

[17] Т. Т. Мюллер, Дж. К. Паецольд, К. Прабхакар, Д. Усынин, Д. Рюкерт и Г. Кайссис, «Дифференциально частная классификация графов с GNN», февраль 2022 г., doi: 10.48550/arxiv.2202.02575.

[18] T. Le, M. Bertolini, F. Noé и D. A. Clevert, «Параметризованные гиперкомплексные графовые нейронные сети для классификации графов», Lect. Примечания Вычисл. науч. (включая Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics) , vol. 12893 LNCS, стр. 204–216, 2021 г., doi: 10.48550/arXiv.2103.16584.

[19] Д. Кверсия, Р. Ламбиотт, Д. Стиллвелл, М. Косински и Дж. Кроукрофт, «Личность популярных пользователей Facebook», Proc. Конф. АСМ. вычисл. Поддерживать. Куп. Работа. CSCW , стр. 955–964, 2012, doi: 10.1145/2145204.2145346.

[20] М. Сакр, У. Форс и Дж. Нури, «Использование анализа социальных сетей для понимания онлайн-проблемного обучения и прогнозирования производительности», PLoS One , vol. 13, нет. 9, с. e0203590, сентябрь 2018 г., doi: 10.1371/JOURNAL.PONE.0203590.

[21] М. Сакр и А. Аламро, «Роль анализа социальных сетей как инструмента аналитики обучения в проблемно-ориентированном онлайн-обучении», BMC Med. Образовательный , том. 19, нет. 1, стр. 1–11, май 2019 г., doi: 10.1186/S12909-019-1599-6.

[22] А. М. Бхандаркар, А. К. Пандей, Р. Наяк, К. Пуджари и А. Кумар, «Влияние социальных сетей на академическую успеваемость студентов-медиков», Med. J. Вооруженные силы Индии , том. 77, стр. S37–S41, февраль 2021 г., doi: 10.1016/J.MJAFI.2020.10.021.

[23] Н. Мелао и Дж. Рейс, «Отбор талантов с использованием социальных сетей: исследование смешанных методов», Heliyon , vol. 6, нет. 4, с. e03723, апрель 2020 г., doi: 10.1016/j.heliyon.2020.e03723.

[24] К. Тотева и Е. Гурова, «Анализ социальных сетей в профессиональном электронном наборе», Adv. Интел. Мягкий компьютер. , том. 101, стр. 75–80, 2011, doi: 10. 1007/978-3-642-23163-6_11.

[25] С. Чала и М. Фатхи, «Сопоставление соискателей вакансий с использованием анализа социальных сетей», Proc. IEEE, международный конф. инд. техн. , стр. 1250–1255, апрель 2017 г., doi: 10.1109/ICIT.2017.7915542.

. 26. Гафаров Ф.М., Николаев К.С., Устин П.Н., Бердников А.А., Захарова В.Л., Резниченко С.А. Комплексная нейросетевая модель для прогнозирования личного успеха на основе их активности в социальных сетях.0043 Евразия J. Math. науч. Технол. Образовательный , том. 17, нет. 10, с. em2010, август 2021 г., doi: 10.29333/EJMSTE/11175.

[27] Э. Кей, Дж. А. Бонди и У. С. Р. Мурти, «Теория графов с приложениями», , опер. Рез. Вопрос , том. 28, нет. 1, с. 237, 1977, doi: 10.2307/3008805.

[28] П. Фраскони, М. Гори и А. Спердути, «Общая структура для адаптивной обработки структур данных», IEEE Trans. Нейронные сети , том. 9, нет. 5, стр. 768–786, 1998, doi: 10.1109/72.712151.

[29] А. Спердути и А. Старита, «Контролируемые нейронные сети для классификации структур», IEEE Trans. Нейронные сети , том. 8, нет. 3, стр. 714–735, 1997, doi: 10.1109/72.572108.

[30] М. Гори, Г. Монфардини и Ф. Скарселли, «Новая модель заработка в графических областях», Proc. Междунар. Джт. конф. Нейронные сети , том. 2, стр. 729–734, 2005 г., doi: 10.1109/IJCNN.2005.1555942.

[31] Скарселли Ф., Гори М., Цой А.С., Хагенбухнер М., Монфардини Г. Модель графовой нейронной сети, IEEE Trans. Нейронные сети , том. 20, нет. 1, стр. 61–80, январь 2009 г., doi: 10.1109/TNN.2008.2005605.

[32] «Сверточные сети на графах для обучения молекулярным отпечаткам пальцев | Материалы 28-й Международной конференции по системам обработки нейронной информации. Том 2». (по состоянию на 02 января 2020 г.) doi: 10.48550/arXiv.1509.09292.

[33] J. Zhou et al. , «Графовые нейронные сети: обзор методов и приложений», AI Open , vol. 1, стр. 57–81, январь 2020 г. , doi: 10.1016/J.AIOPEN.2021.01.001.

[34] Д. Баччиу, Ф. Эррика, А. Микели и М. Подда, «Нежное введение в глубокое обучение для графов», Neural Networks , vol. 129, стр. 203–221, сентябрь 2020 г., doi: 10.1016/J.NEUNET.2020.06.006.

[35] Y. Zhou, H. Zheng, X. Huang, S. Hao, D. Li, and J. Zhao, «Graph Neural Networks: Taxonomy, Advances, and Trends», ACM Trans. Интел. Сист. Технол. , том. 13, нет. 1 января 2022 г., doi: 10.1145/3495161.

[36] Т. Н. Кипф и М. Веллинг, «Полуконтролируемая классификация с использованием графовых сверточных сетей», 5-й междунар. конф. Учиться. Представлять. ICLR 2017 — Конф. Отслеживать процесс. , сентябрь 2016 г., doi: 10.48550/arXiv.1609.02907.

[37] Н. К. Ахмед и др. , «Обучение индуктивному представлению в больших атрибутивных графах», №. Nips, стр. 1–11, 2017 г., [онлайн]. doi: 10.48550/arXiv.1710.09471.

[38] К. Моррис и др. , «Вайсфейлер и Леман переходят на нейронные сети: графовые нейронные сети высшего порядка», Proc. Конф. АААИ. Артиф. Интел. , том. 33, нет. 01, стр. 4602–4609., июль 2019 г., doi: 10.1609/AAAI.V33I01.33014602.

[39] П. Величкович, А. Казанова, П. Лио, Г. Кукурулл, А. Ромеро и Ю. Бенжио, «Graph Attention Networks», 6th Int. конф. Учиться. Представлять. ICLR 2018 — Конф. Отслеживать процесс. , октябрь 2017 г., doi: 10.48550/arXiv.1710.10903.

[40] Y. Shi, Z. Huang, S. Feng, H. Zhong, W. Wang и Y. Sun, «Прогнозирование маскированных меток: унифицированная модель передачи сообщений для полуконтролируемой классификации», IJCAI Int. Джт. конф. Артиф. Интел. , том. 2, стр. 1548–1554, август 2021 г., doi: 10.24963/IJCAI.2021/214.

[41] К. Сюй, С. Джегелька, В. Ху и Дж. Лесковец, «Насколько сильны графовые нейронные сети?», 7th Int. конф. Учиться. Представлять. ICLR 2019 , октябрь 2018 г., doi: 10.48550/arXiv.1810.00826.

[42] П. Е. Поуп, С. Колоури, М. Ростами, К. Э. Мартин и Х. Хоффманн, «Методы объяснимости для графовых сверточных нейронных сетей», Proc.