معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Graph Embedding Models

ویژگی	مقدار
سیستم عامل	-
نام فایل	dgllge-1.0.3
نام	dgllge
نسخه کتابخانه	1.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Irfan Ullah
ایمیل نویسنده	Irfan Ullah <irfan@khu.ac.kr>
آدرس صفحه اصلی	https://github.com/sahibzada-irfanullah/Graph-Embedding
آدرس اینترنتی	https://pypi.org/project/dgllge/
مجوز	-

# Graph Embedding ### Introduction This module provides the services and implementation for various graph embedding models. ## Getting Started ### Installation You can install the DGLL Graph Embedding version 1.0.3 from [PyPI](https://pypi.org/project/dgllge/) as: pip install dgllge ## Usage and Tutorial #### input graph ``` # import module import ge # Set Path to Data data_dir = "Your Path to Data" dataset = "File/Dataset Name" # Load a Graph inputGraph = ge.loadGraph(data_dir, dataset) ``` #### Configurable Parameter for Graph Embedding ``` embedDim = 2 # embedding size numbOfWalksPerVertex = 2 # walks per vertex walkLength = 4 # walk lenght lr =0.025 # learning rate windowSize = 3 # window size ``` #### Choose One of the Following Graph Embedding Models ``` # DeepWalk rw = ge.DeepWalk(inputGraph, walkLength=walkLength, embedDim=embedDim, numbOfWalksPerVertex=numbOfWalksPerVertex, \ windowSize=windowSize, lr = lr) ``` ``` # Node2Vec rw = ge.Node2vec(inputGraph, walkLength=walkLength, embedDim=embedDim, numbOfWalksPerVertex=numbOfWalksPerVertex, \ windowSize=windowSize, lr=lr, p = 0.5, q = 0.8) ``` ``` # Struc2Vec rw = ge.Struc2Vec(inputGraph, walkLength=walkLength, embedDim=embedDim, numbOfWalksPerVertex=numbOfWalksPerVertex, \ windowSize=windowSize, lr = lr) ``` #### Skip Gram model ``` modelSkipGram = ge.SkipGramModel(rw.totalNodes, rw.embedDim) ``` #### Want Node Embedding or Edge Embedding ``` # Learning Node Embedding model = rw.learnNodeEmbedding(modelSkipGram) ``` ``` # Learning Edge Embedding model = rw.learnEdgeEmbedding(modelSkipGram) ``` #### Plot Embedding ``` ge.plot_2DEmbedding(rw) ``` #### Save Embedding to Disk ``` ge.saveEmbedding(data_dir, dataset, rw) ``` #### Generate Embedding for a Specific Node or Edge ``` node1 = 35 node2 = 40 # Get Embedding for a node emb = rw.getNodeEmbedding(node1) print("Node Embedding", emb) # Get Embedding for an edge emb = rw.getEdgeEmbedding(node1, node2) print("Edge Embedding", emb) ``` ### Utilize embedding for training classification models/classifiers ``` # import modules import ge import numpy as np import scipy.sparse as sp ``` #### Load Embedding ``` idsEmbeddingClsLabels = np.genfromtxt("cora.embedding", dtype=np.dtype(str)) ``` #### Prepare data for training ``` labels = idsEmbeddingClsLabels[:, -1] embedding = sp.csr_matrix(idsEmbeddingClsLabels[:, 1:-1], dtype=np.float32) ``` ``` tr = ge.TrainingClassifiers() y = tr.labelEnocder(labels) ``` #### Prepare Train test data ``` X_train, X_test, y_train, y_test = tr.prepareTrainTestData(embedding, labels, 0.33) ``` #### Choose one of the following classifier for training a classifier ``` y_pred = tr.applyDecisionTree(X_train.toarray(), y_train, X_test.toarray()) ``` ``` y_pred = tr.applyLogistic(X_train.toarray(), y_train, X_test.toarray()) ``` ``` y_pred = tr.applyRandomForest(X_train.toarray(), y_train, X_test.toarray()) ``` ``` y_pred = tr.apply_GradientBoosting(X_train.toarray(), y_train, X_test.toarray()) ``` ``` y_pred = tr.applyMLP(X_train.toarray(), y_train, X_test.toarray()) ``` #### Get Accuracy ``` print("Accuracy:", tr.accuracy(y_test, y_pred)) ```  ## License Distributed under the MIT License. See `LICENSE` for more information. (<a href="#top">back to top</a>)  ## Acknowledgments * [Data and Knowlege Engineering Lab (DKE)](http://dke.khu.ac.kr/) (<a href="#top">back to top</a>) ## Links Project's GitHub Link: [@Graph-Embedding](https://github.com/sahibzada-irfanullah/Graph-Embedding) Project's PyPI Link: [@dgllge](https://pypi.org/project/dgllge/) (<a href="#top">back to top</a>)

نیازمندی

مقدار	نام
>=0.3.4	fastdtw
>=4.2.0	gensim
>=3.5.2	matplotlib
>=2.6.3	networkx
>=1.21.6	numpy
>=1.3.5	pandas
>=1.0.2	scikit-learn
>=1.7.3	scipy
>=1.11.0	torch
>=0.12.0	torchvision

زبان مورد نیاز

مقدار	نام
>=3.7	Python

نحوه نصب

نصب پکیج whl dgllge-1.0.3:

pip install dgllge-1.0.3.whl

نصب پکیج tar.gz dgllge-1.0.3:

pip install dgllge-1.0.3.tar.gz