[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Jhy1993--HAN":3,"tool-Jhy1993--HAN":61},[4,18,26,36,44,52],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",141543,2,"2026-04-06T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":78,"difficulty_score":10,"env_os":89,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":147},4516,"Jhy1993\u002FHAN","HAN","Heterogeneous Graph Neural Network","HAN（异构图注意力网络）是一款专为处理复杂异构数据设计的深度学习模型，源自 2019 年 WWW 会议的研究成果。在现实世界中，数据往往包含多种类型的节点（如用户、商品、文章）和多样的连接关系，传统图神经网络难以直接捕捉这种多样性带来的丰富语义。HAN 正是为了解决这一难题而生，它能够直接在异构图上进行学习，无需将其强行简化为同质图。\n\n其核心技术亮点在于引入了“元路径”概念与分层注意力机制。HAN 首先通过元路径捕捉节点间的高阶结构信息，再利用节点级和语义级双重注意力机制，自动学习不同邻居及不同元路径的重要性权重，从而生成更精准的节点嵌入表示。这不仅提升了模型在节点分类等任务上的表现，还具备良好的归纳学习能力。\n\nHAN 非常适合人工智能研究人员、算法工程师及高校师生使用。项目基于 PyTorch 和 GAT 架构开发，代码开源且文档详尽，提供了 ACM、DBLP、IMDB 等经典数据集的预处理脚本与实验范例。此外，HAN 已被集成至主流图学习库 DGL 中，方便开发者快速调用与复现，是探索异构图表征学习的有力工具。","# Paper\nhttps:\u002F\u002Fgithub.com\u002FJhy1993\u002FRepresentation-Learning-on-Heterogeneous-Graph\n# HAN\n\nThe source code of Heterogeneous Graph Attention Network (WWW-2019).\n\nThe source code is based on [GAT](https:\u002F\u002Fgithub.com\u002FPetarV-\u002FGAT) \n\n# Reference\n\nIf you make advantage of the HAN model or use the datasets released in our paper, please cite the following in your manuscript:\n\n```\n@article{han2019,\ntitle={Heterogeneous Graph Attention Network},\nauthor={Xiao, Wang and Houye, Ji and Chuan, Shi and  Bai, Wang and Peng, Cui and P. , Yu and Yanfang, Ye},\njournal={WWW},\nyear={2019}\n}\n```\n\n# How to preprocess DBLP? \n\nDemo: preprocess_dblp.py\n\n# Slides\n\nhttps:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fblob\u002Fmaster\u002F0516纪厚业%20www%20ppt%20copy.pdf\n\n# Q&A\n\n1. ACM_3025 in our experiments is based on the preprocessed version ACM in other paper (\\data\\ACM\\ACM.mat). Subject is just like Neural Network, Multi-Object Optimization and Face Recognition. In ACM3025, PLP is actually PSP. You can find it in our code.\n2. In ACM, train+val+test \u003C node_num. That is because our model is a semi-supervised model which only need a few labels to optimize our model. The num of node can be found in meta-path based adj mat.\n3.  \"the model can generate node\nembeddings for previous unseen nodes or even unseen graph\" means the propose HAN can do inductive experiments. However, we cannot find such heterogeneous graph dataset. See experiments setting in Graphsage and GAT for details, especially on PPI dataset.\n4. meta-path can be symmetric or asymmetric. HAN can deal with different types of nodes via project them into the same space.\n5. Can we change the split of dataset and re-conduct some experiments? of course, you can split the dataset by yourself, as long as you use the same split for all models.\n6. How to run baseline (e.g., GCN) and report the best performance of baselines? Taking ACM as an example, we translate heterogenesous graph into two homogeneous graphs via meta-path PAP&PSP. For PAP based homogeneous graph, it only has one type of node paper and two paper connected via PAP. Then, we run GCN on two graphs and report the best performance. Ref https:\u002F\u002Farxiv.org\u002Fpdf\u002F1902.01475v1.pdf and http:\u002F\u002Fweb.cs.wpi.edu\u002F~xkong\u002Fpublications\u002Fpapers\u002Fwww18.pdf\n7. Several principles for preprocess data. 1）Extract nodes which have all meta-path based neighbors. 2）Extract features which may meaningful in identifying the characteristics of nodes. For example, if all nodes have one feature, this feature is not meaningful. If only several nodes have one feature, this feature is not meaningful. 3) Extract balanced node label which means different classes should have almost the same number of node. For k classes, each class should select 500 nodes and label them, so we get 500\\*k labeled nodes.\n\n# Datasets\n\nPreprocessed ACM can be found in:\nhttps:\u002F\u002Fpan.baidu.com\u002Fs\u002F1V2iOikRqHPtVvaANdkzROw \n提取码：50k2 \n\nhttps:\u002F\u002Fbupteducn-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fjhy1993_bupt_edu_cn\u002FEfLZcHE2e4xBplCVnzcJbQYBurNVOCk7ZIne2YsO3jKbSw?e=vMQ18v\n\nPreprocessed DBLP can be found in:\nhttps:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Qr2e97MofXsBhUvQqgJqDg \n提取码：6b3h  \n\nhttps:\u002F\u002Fbupteducn-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fjhy1993_bupt_edu_cn\u002FEf6A6m2njZ5CqkTN8QcwU8QBuENpB7eDVJRnsV9cWXWmsA?e=wlErKk\n\nPreprocessed IMDB can be found in:\n链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F199LoAr5WmL3wgx66j-qwaw  密码:qkec\n\n\n# Run\nDownload preprocessed data and modify data path in def load_data_dblp(path='\u002Fhome\u002Fjhy\u002FallGAT\u002Facm_hetesim\u002FACM3025.mat'):\n\npython ex_acm3025.py\n\n# HAN in DGL\nhttps:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl\u002Ftree\u002Fmaster\u002Fexamples\u002Fpytorch\u002Fhan\n\n\n","# 论文\nhttps:\u002F\u002Fgithub.com\u002FJhy1993\u002FRepresentation-Learning-on-Heterogeneous-Graph\n# HAN\n\n异构图注意力网络（WWW-2019）的源代码。\n\n该源代码基于 [GAT](https:\u002F\u002Fgithub.com\u002FPetarV-\u002FGAT)。\n\n# 参考文献\n\n如果您使用了 HAN 模型或我们论文中发布的数据集，请在您的论文中引用以下内容：\n\n```\n@article{han2019,\ntitle={Heterogeneous Graph Attention Network},\nauthor={Xiao, Wang and Houye, Ji and Chuan, Shi and  Bai, Wang and Peng, Cui and P. , Yu and Yanfang, Ye},\njournal={WWW},\nyear={2019}\n}\n```\n\n# 如何预处理 DBLP？\n\n示例：preprocess_dblp.py\n\n# 幻灯片\n\nhttps:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fblob\u002Fmaster\u002F0516纪厚业%20www%20ppt%20copy.pdf\n\n# 问答\n\n1. 我们的实验中的 ACM_3025 是基于其他论文中预处理过的 ACM 数据集 (\\data\\ACM\\ACM.mat)。主题包括神经网络、多目标优化和人脸识别等。在 ACM3025 中，PLP 实际上就是 PSP。您可以在我们的代码中找到相关信息。\n2. 在 ACM 数据集中，train+val+test 的节点数小于总节点数。这是因为我们的模型是半监督学习模型，只需要少量标签即可进行优化。节点总数可以在基于元路径的邻接矩阵中找到。\n3. “该模型可以为之前未见过的节点甚至未见过的图生成节点嵌入”意味着所提出的 HAN 模型可以进行归纳式实验。然而，我们目前尚未找到此类异构图数据集。详细信息请参考 GraphSAGE 和 GAT 的实验设置，尤其是 PPI 数据集的部分。\n4. 元路径可以是对称的，也可以是非对称的。HAN 可以通过将不同类型的节点投影到同一空间来处理它们。\n5. 我们能否更改数据集的划分并重新进行一些实验？当然可以，您可以自行划分数据集，只要所有模型都使用相同的划分方式即可。\n6. 如何运行基线模型（例如 GCN），并报告基线模型的最佳性能？以 ACM 为例，我们通过元路径 PAP 和 PSP 将异构图转换为两个同构图。对于基于 PAP 的同构图，它只包含一种类型的节点——论文，并且通过 PAP 连接两篇论文。然后，我们在这两个图上分别运行 GCN，并报告最佳性能。参考文献：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1902.01475v1.pdf 和 http:\u002F\u002Fweb.cs.wpi.edu\u002F~xkong\u002Fpublications\u002Fpapers\u002Fwww18.pdf。\n7. 数据预处理的几个原则：1）提取所有元路径邻居都存在的节点；2）提取可能有助于识别节点特征的有意义特征。例如，如果所有节点都具有某个特征，则该特征无意义；如果只有少数节点具有某个特征，则该特征同样无意义。3）提取平衡的节点标签，即不同类别应具有几乎相等数量的节点。对于 k 个类别，每个类别应选择 500 个节点并打上标签，这样我们就得到 500×k 个标注节点。\n\n# 数据集\n\n预处理后的 ACM 数据集可在以下链接找到：\nhttps:\u002F\u002Fpan.baidu.com\u002Fs\u002F1V2iOikRqHPtVvaANdkzROw \n提取码：50k2  \n\nhttps:\u002F\u002Fbupteducn-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fjhy1993_bupt_edu_cn\u002FEfLZcHE2e4xBplCVnzcJbQYBurNVOCk7ZIne2YsO3jKbSw?e=vMQ18v\n\n预处理后的 DBLP 数据集可在以下链接找到：\nhttps:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Qr2e97MofXsBhUvQqgJqDg \n提取码：6b3h  \n\nhttps:\u002F\u002Fbupteducn-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fjhy1993_bupt_edu_cn\u002FEf6A6m2njZ5CqkTN8QcwU8QBuENpB7eDVJRnsV9cWXWmsA?e=wlErKk\n\n预处理后的 IMDB 数据集可在以下链接找到：\n链接:https:\u002F\u002Fpan.baidu.com\u002Fs\u002F199LoAr5WmL3wgx66j-qwaw  密码:qkec\n\n\n# 运行\n下载预处理好的数据，并修改 def load_data_dblp(path='\u002Fhome\u002Fjhy\u002FallGAT\u002Facm_hetesim\u002FACM3025.mat') 中的数据路径：\n\npython ex_acm3025.py\n\n# DGL 中的 HAN\nhttps:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl\u002Ftree\u002Fmaster\u002Fexamples\u002Fpytorch\u002Fhan","# HAN (异构图注意力网络) 快速上手指南\n\nHAN (Heterogeneous Graph Attention Network) 是发表于 WWW-2019 的异构图神经网络模型。本指南基于官方 PyTorch 实现，帮助开发者快速运行实验。\n\n## 环境准备\n\n*   **操作系统**: Linux \u002F macOS \u002F Windows\n*   **语言版本**: Python 3.6+\n*   **核心依赖**:\n    *   PyTorch\n    *   NumPy\n    *   SciPy\n*   **可选框架**: DGL (Deep Graph Library)，官方已提供 DGL 版本实现。\n\n建议先安装基础科学计算库：\n```bash\npip install torch numpy scipy\n```\n\n## 安装步骤\n\n本项目主要为研究代码，无需通过 `pip` 安装包，直接克隆源码即可使用。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FJhy1993\u002FRepresentation-Learning-on-Heterogeneous-Graph.git\n    cd Representation-Learning-on-Heterogeneous-Graph\n    ```\n\n2.  **获取预处理数据集**\n    由于原始数据预处理较复杂，推荐直接下载作者提供的预处理好的 `.mat` 文件（ACM, DBLP, IMDB）。\n\n    *   **ACM 数据集**:\n        *   百度网盘: [链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1V2iOikRqHPtVvaANdkzROw) (提取码: `50k2`)\n        *   微软云盘: [链接](https:\u002F\u002Fbupteducn-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fjhy1993_bupt_edu_cn\u002FEfLZcHE2e4xBplCVnzcJbQYBurNVOCk7ZIne2YsO3jKbSw?e=vMQ18v)\n    \n    *   **DBLP 数据集**:\n        *   百度网盘: [链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1Qr2e97MofXsBhUvQqgJqDg) (提取码: `6b3h`)\n        *   微软云盘: [链接](https:\u002F\u002Fbupteducn-my.sharepoint.com\u002F:u:\u002Fg\u002Fpersonal\u002Fjhy1993_bupt_edu_cn\u002FEf6A6m2njZ5CqkTN8QcwU8QBuENpB7eDVJRnsV9cWXWmsA?e=wlErKk)\n\n    *   **IMDB 数据集**:\n        *   百度网盘: [链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F199LoAr5WmL3wgx66j-qwaw) (密码: `qkec`)\n\n    下载后，将文件放置在项目目录或自定义路径下。\n\n## 基本使用\n\n以下以运行 **ACM** 数据集为例，展示最基础的训练流程。\n\n1.  **配置数据路径**\n    打开 `ex_acm3025.py` 文件，找到 `load_data_dblp` 函数调用处（注意：虽然函数名为 `load_data_dblp`，但在该脚本中用于加载 ACM 数据），修改 `path` 参数为你实际存放 `.mat` 文件的路径。\n\n    ```python\n    # 在 ex_acm3025.py 中修改此行\n    # 将路径指向你下载的 ACM3025.mat 文件\n    data = load_data_dblp(path='\u002Fyour\u002Fpath\u002Fto\u002FACM3025.mat') \n    ```\n\n2.  **运行训练脚本**\n    在终端执行以下命令启动训练：\n\n    ```bash\n    python ex_acm3025.py\n    ```\n\n    程序将自动构建异构图，执行元路径（Meta-path）聚合，并输出节点分类的准确率结果。\n\n### 进阶：使用 DGL 版本\n如果你更习惯使用 DGL 框架，官方已在 DGL examples 中集成了 HAN 实现，可直接参考：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl.git\ncd dgl\u002Fexamples\u002Fpytorch\u002Fhan\n# 按照该目录下的 README 运行\n```","某大型学术数据库平台的技术团队正致力于构建一个智能论文推荐系统，旨在从包含作者、论文、会议等多类节点的复杂数据中挖掘深层关联。\n\n### 没有 HAN 时\n- **信息孤岛严重**：传统图神经网络只能处理单一类型的节点关系，被迫将“作者 - 论文 - 会议”的异构图强行拆分为多个同质子图，导致跨类型的语义关联（如某作者在特定会议的研究偏好）被切断。\n- **特征表达粗糙**：无法区分不同元路径（如“作者 - 论文 - 作者”与“作者 - 论文 - 会议 - 论文 - 作者”）的重要性，所有邻居节点被同等对待，忽略了关键合作者或核心会议的特殊影响力。\n- **推荐精度瓶颈**：由于丢失了异构结构的丰富信息，模型生成的节点嵌入向量区分度低，导致冷启动用户的论文推荐准确率长期停滞在较低水平，难以满足个性化需求。\n\n### 使用 HAN 后\n- **全域关系融合**：HAN 原生支持异构图结构，直接在统一空间中聚合多类型节点信息，完整保留了“作者通过论文在会议上建立联系”的复杂逻辑，消除了信息割裂。\n- **注意力机制赋能**：利用层级注意力机制，自动学习不同元路径及同一路径下不同邻居节点的权重，精准识别出对当前任务最具价值的合作网络或学术圈子。\n- **效果显著提升**：生成的节点嵌入向量语义更丰富，在少标签的半监督场景下依然表现优异，使得论文推荐的点击转化率提升了 20%，有效解决了长尾内容的分发难题。\n\nHAN 通过深度捕捉异构图中复杂的结构与语义依赖，将原本杂乱的多源数据转化为高精度的智能决策能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJhy1993_HAN_8a449e06.png","Jhy1993","Houye","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FJhy1993_33fd138b.png","Network Embedding, Graph Neural Network\r\n\r\n","Ph.D.@BUPT","Research Intern@Alibaba",null,"https:\u002F\u002Fjhy1993.github.io","https:\u002F\u002Fgithub.com\u002FJhy1993",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1202,226,"2026-03-30T10:12:04","未说明",{"notes":91,"python":89,"dependencies":92},"该工具是异构图注意力网络（HAN）的原始论文代码，基于 GAT 项目。代码本身未明确列出具体版本依赖，需自行配置 PyTorch 环境。运行前需下载预处理好的数据集（ACM, DBLP, IMDB），格式为 .mat 文件，并修改代码中的数据路径。若使用 DGL 版本，请参考 dmlc\u002Fdgl 仓库中的示例。",[93,94,95],"PyTorch (基于 GAT 代码)","DGL (可选，参考 DGL 实现版本)","SciPy (用于处理 .mat 数据集)",[14],[98,99,100,101,102,103],"graph-neural-network","network-embedding","graph-attention-network","heterogeneous-network","heterogeneous-graph","heterogeneous-graph-neural-network","2026-03-27T02:49:30.150509","2026-04-07T00:50:29.865692",[107,112,117,122,127,132,137,142],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},20546,"作者的特征（keywords）是如何提取的？","作者的特征是由该作者发表的所有论文的关键词组成的。具体来说，将作者发布的所有论文的关键词集合起来，作为该作者的 bag-of-words 特征表示。","https:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fissues\u002F16",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},20547,"代码依赖的 TensorFlow 版本是多少？","维护者未记录具体的版本号，但指出其依赖环境与 GAT (Graph Attention Networks) 项目的版本一致。建议参考 GAT 项目的 requirements 或环境配置进行安装。","https:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fissues\u002F18",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},20548,"非中国用户无法访问百度网盘的数据集链接，是否有其他下载方式？","维护者已在 README 文件中更新了新的下载链接，请查看项目主页的 README 部分获取可国际访问的数据集下载地址。","https:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fissues\u002F15",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},20549,"ACM 和 DBLP 数据集是如何预处理和清洗的？","数据处理过程包括：1. 从原始数据集中抽取子网络；2. 过滤掉一些没有辨识度的节点（如低频 term）；3. 分别建立不同元路径（meta-path）下的邻接矩阵（例如 A-*-A 和 P-*-P）。具体的加载逻辑可以参考代码中的 `load_data` 部分。","https:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fissues\u002F12",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},20550,"ACM 数据集中论文数量与论文描述不一致（例如提取出 4025 篇），原因是什么？","虽然从指定会议（KDD, SIGMOD 等）中提取了 4025 篇论文，但为了平衡类别分布，作者从数据库类（SIGCOMM 和 MOBICOMM）的 1994 篇论文中随机选择了 994 篇。因此最终使用的数据集大小会小于原始提取数量。","https:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fissues\u002F10",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},20551,"DBLP4area 数据集的清洗细节及复现精度较低怎么办？","该项目的数据处理方法与另一篇论文 \"HAHE: Hierarchical Attentive Heterogeneous Information Network Embedding\" 一致。如果无法复现结果，建议参考 HAHE 论文中的数据预处理步骤进行操作。","https:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fissues\u002F9",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},20552,"HAN 模型中的 Node-level Attention 与 GCN 有何区别？基线实验是如何进行的？","1. Node-level attention 类似于 GCN 的聚合操作，但它直接聚合基于元路径的邻居节点（包括自身），而不是像深层 GCN 那样多层传递扩散。\n2. 对于 GCN 和 GAT 基线实验，是在不同元路径构建的同质网络上分别测试，然后汇报最好的结果。\n3. HAN 的优势在于 Node-level attention 能更好地对邻居加权，且 Semantic-level attention 能融合多方面信息，使节点表示更全面。","https:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fissues\u002F11",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},20553,"IMDB 数据集的输入特征矩阵应该是什么样的？使用演员 One-hot 效果不好怎么办？","使用演员的 One-hot 编码作为特征是错误的做法。正确的输入特征矩阵构造方法请严格参照论文中的“数据集描述”（Dataset Description）部分，那里详细说明了各类型节点特征的生成方式。","https:\u002F\u002Fgithub.com\u002FJhy1993\u002FHAN\u002Fissues\u002F8",[]]