作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱阅读本文之前，首先注意以下两点：1、机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论，方便最快速度理解本文核心。需要进一步了解推导细节可继续往后看。2、文中含有大量公式，若读者需要获取含公式原稿Word文档，可关注公众号【AI机器学习与知识图谱】后回复：GMM第二讲，可添加微信号【

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱GCNII (ICML 2020) 分享，GCNII全称：Graph Convolutional Networks via Initial residual and Identity MappingGCNII汇报ppt版可通过关注公众号【AI机器学习与知识图谱】，回复关键词：GCNII 来获得，供学习者使用！可添加微信

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱本文介绍一篇基于对比学习的图谱预训练模型GCC（KDD 2020），介绍GCC模型核心点和模型思路，完整汇报ppt获取请关注公众号回复关键字：GCC一、背景知识图谱预训练作用：图神经网络(GNNs)已被证明是建模图结构数据的强大工具。然而，训练GNN模型通常需要大量的特定任务的标记数据，而获取这些数据往往非常昂贵。利用

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱本文介绍两篇基于互信息最大化的图谱预训练模型DGI（ICLR 2019）和InfoGraph（ICLR 2020），介绍模型核心点和模型思路，完整汇报ppt获取请关注公众号回复关键字：DGI & InfoGraph一、背景知识图谱预训练作用：图神经网络(GNNs)已被证明是建模图结构数据的强大工具。然而，训练G

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱阅读本文之前，先注意一下两点：1、机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论，方便最快速度理解本文核心。需要进一步了解推导细节可继续往后看；2、文中含有大量公式，若读者需要获取含公式原稿Word文档，可关注公众号【AI机器学习与知识图谱】后回复：概率图模型第四讲，可添加微信号

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱前言：机器学习系列文章常含有大量公式，若需获取本文全部的手书版原稿资料，扫码关注公众号【AI机器学习与知识图谱】，回复: 高斯分布第一讲 即可获取。原创不易，转载请告知并注明出处！扫码关注公众号，定期发布知识图谱，自然语言处理、机器学习等知识，添加微信号【17865190919】进讨论群，加好友时备注来自CSDN。二话

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱阅读本文之前，首先注意以下两点：1. 机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论，方便最快速度理解本文核心。需要进一步了解推导细节可继续往后看。2. 文中含有大量公式，若读者需要获取含公式原稿Word文档，可关注公众号【AI机器学习与知识图谱】后回复：变分推断第二讲，可添加微

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱本文分享一篇多关系知识图谱表示学习汇报ppt，介绍近几年及2020新出的共七篇处理异质图的模型。先列出该汇报ppt中将要介绍的七篇论文：一、Motivation异质知识图谱研究的对象便是如何处理多关系知识图谱，多关系知识图谱中模型在做节点表征时便需要充分考虑到关系Relation，也就是边Edge对于实体表征的作用，因

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱本文介绍一篇解耦合Transformation和Propagation操作的自适应深度图神经网络模型DAGNN（KDD 2020），介绍DAGNN模型核心点和模型思路，完整汇报ppt获取请关注公众号回复关键字：DAGNN一、Motivation1. Over-fitting： 在CNN卷积神经网络中，若CNN网络结构过

作者：CHEONG公众号：AI机器学习与知识图谱研究方向：自然语言处理与知识图谱阅读本文之前，首先注意以下两点：1、机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论，方便最快速度理解本文核心。需要进一步了解推导细节可继续往后看。2、文中含有大量公式，若读者需要获取含公式原稿Word文档，可关注公众号后回复：HMM第四讲，本文针对一般的状态空间模型，介绍常探究的