久久亚洲一区女同性恋中文字幕,久久美女视频,人妻久久精品天天中文字幕,五月天激情乱伦小说,日韩黄色电影网站,男女噼啪网站,免费看黄色视频久久,视频一区在线观看

來源：DeepHub IMBA

本文約1500字，建議閱讀5分鐘 
本文將為ML/DL圖網(wǎng)絡(luò)的研究提供一些實(shí)用的數(shù)據(jù)集。

隨著人工智能的興起，機(jī)器學(xué)習(xí)(ML)和深度學(xué)習(xí)(DL)得到了迅速發(fā)展，并應(yīng)用于計(jì)算機(jī)視覺(CV)、自然語言處理(NLP)、推薦等諸多領(lǐng)域。一些研究已經(jīng)發(fā)展出將ML/DL應(yīng)用于社交網(wǎng)絡(luò)、社區(qū)分類、腦網(wǎng)絡(luò)分析等網(wǎng)絡(luò)任務(wù)的方法。在這些任務(wù)中，數(shù)據(jù)由圖G(V,E)表示，其中V是節(jié)點(diǎn)的集合，E是邊的集合:節(jié)點(diǎn)表示數(shù)據(jù)點(diǎn)，邊表示節(jié)點(diǎn)之間的連接。圖數(shù)據(jù)集上的ML/DL是一項(xiàng)新的研究課題，有許多方面需要研究。因此，擁有有趣和實(shí)用的數(shù)據(jù)集將有助于研究和開發(fā)過程。本文將為ML/DL圖網(wǎng)絡(luò)的研究提供一些實(shí)用的數(shù)據(jù)集。

Yelp數(shù)據(jù)集

yelp是美國版的大眾點(diǎn)評(píng)，這將是一個(gè)有趣的鏈接預(yù)測數(shù)據(jù)集，可以應(yīng)用于推薦任務(wù)。鏈路預(yù)測任務(wù)的目的是學(xué)習(xí)一個(gè)模型，可以預(yù)測兩個(gè)節(jié)點(diǎn)之間的鏈路在未來是否會(huì)連接。數(shù)據(jù)集包括關(guān)于用戶、業(yè)務(wù)和點(diǎn)評(píng)信息的json文件。它還包含商家的照片。該數(shù)據(jù)集可用于許多任務(wù)，是ML/DL任務(wù)的理想實(shí)用數(shù)據(jù)集。

這里下載：

https://www.yelp.com/dataset

亞馬遜評(píng)論數(shù)據(jù)集

與 Yelp 數(shù)據(jù)集類似，亞馬遜評(píng)論數(shù)據(jù)集收集有關(guān)產(chǎn)品（包括照片、星級(jí)評(píng)分、元數(shù)據(jù)、產(chǎn)品描述）、用戶（元數(shù)據(jù)、好友連接、名稱、位置……）以及用戶對(duì)產(chǎn)品的評(píng)論的信息。該數(shù)據(jù)集非常適合鏈接預(yù)測和節(jié)點(diǎn)分類任務(wù)：與 yelp 類似，鏈接預(yù)測將在電子商務(wù)中具有實(shí)用的推薦應(yīng)用；節(jié)點(diǎn)分類任務(wù)將應(yīng)用于對(duì)銷售服務(wù)的產(chǎn)品進(jìn)行評(píng)級(jí)。從學(xué)術(shù)角度來看，它可以用于實(shí)現(xiàn)許多實(shí)驗(yàn)，包括：異構(gòu)圖、關(guān)系圖以及知識(shí)圖實(shí)驗(yàn)。評(píng)論總數(shù)為 2.331 億（從 1996 年 5 月到 2018 年 10 月）。

可以通過 https://nijianmo.github.io/amazon/index.html 訪問數(shù)據(jù)集。

Flickr 數(shù)據(jù)集

這個(gè)數(shù)據(jù)集是通過在共享Flickr公共圖像之間形成鏈接來構(gòu)建的。邊是通過來自同一位置的圖片、提交到同一個(gè)圖庫、組或集合的圖片、共享共同標(biāo)簽的圖片、朋友拍攝的圖片等之間形成的。數(shù)據(jù)集從許多來源收集，圖像由 SIFT 表示從它們中提取的特征。該數(shù)據(jù)集包括 105938 張圖像和 2316948 個(gè)圖像之間的鏈接。該數(shù)據(jù)集非常適合 CV 任務(wù)：圖像分類、對(duì)象檢測和分割。我相信通過圖 ML/DL 的聚合過程，它將提高 ML/DL 模型的健壯性和可信度。

可以通過以下連接訪問數(shù)據(jù)集。

https://snap.stanford.edu/data/web-flickr.html

https://lms.comp.nus.edu.sg/wp-content/uploads/2019/research/nuswide/NUS-WIDE.html

假新聞/健康數(shù)據(jù)集

隨著社交媒體的興起，新聞傳播得更快、更有效。但是，大多數(shù)新聞質(zhì)量低且不可信。目前已經(jīng)進(jìn)行了許多研究來解決假新聞檢測的問題。大多數(shù)工作都是通過 NLP 模型來解決這個(gè)問題的。但是我們也可以通過圖 ML/DL 來解決這個(gè)問題，因?yàn)樵夹侣労凸蚕硇侣動(dòng)泻芏喙餐c(diǎn)，它們的聯(lián)系可以用來解決問題。解決問題的拓?fù)淇赡苁且环N新穎的觀點(diǎn)和方法，可以提高性能和魯棒性。數(shù)據(jù)由 FakeNewsTracker 檢索，從 Twitter 和許多其他社交媒體頁面中提取新聞。該數(shù)據(jù)集非常適合圖 ML/DL 中的許多任務(wù)：節(jié)點(diǎn)分類、鏈接預(yù)測和圖分類。

數(shù)據(jù)集地址如下：

https://github.com/KaiDMML/FakeNewsNet

https://zenodo.org/record/3841644#.YSGPRC1h1GM

SNAP數(shù)據(jù)集

斯坦福網(wǎng)絡(luò)分析平臺(tái)(SNAP)是一個(gè)通用的網(wǎng)絡(luò)分析和圖挖掘庫。它是用c++編寫的，很容易擴(kuò)展到具有數(shù)億個(gè)節(jié)點(diǎn)和數(shù)十億條邊的大規(guī)模網(wǎng)絡(luò)。它有效地操作大型圖，計(jì)算結(jié)構(gòu)屬性，生成規(guī)則和隨機(jī)圖，并支持節(jié)點(diǎn)和邊上的屬性。

這個(gè)項(xiàng)目有很多小/中/大的圖形數(shù)據(jù)集。然而，它們中的大多數(shù)對(duì)于實(shí)際應(yīng)用程序是不實(shí)用的。但是，這些數(shù)據(jù)集可以應(yīng)用到理論研究中，從而提高應(yīng)用效率。

地址如下：

https://snap.stanford.edu/

總結(jié)

在本文中，我介紹了一些用于ML/DL實(shí)驗(yàn)的有趣且實(shí)用的數(shù)據(jù)集。希望這篇文章能對(duì)你的研究有所幫助。感謝閱讀這篇文章。

編輯：文婧

校對(duì)：林亦霖

用于圖神經(jīng)網(wǎng)絡(luò)研究的幾個(gè)實(shí)用的數(shù)據(jù)集