[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-malllabiisc--CompGCN":3,"tool-malllabiisc--CompGCN":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":102,"github_topics":103,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":148},2345,"malllabiisc\u002FCompGCN","CompGCN","ICLR 2020: Composition-Based Multi-Relational Graph Convolutional Networks","CompGCN 是一款专为知识图谱设计的深度学习框架，核心功能是通过图卷积网络进行多关系链接预测。它主要解决了传统模型在处理复杂关系数据时，难以有效融合节点特征与边关系信息的难题，从而显著提升了对缺失事实的推断准确率。\n\n该工具特别适合人工智能研究人员、算法工程师以及需要处理大规模知识图谱数据的开发者使用。其独特的技术亮点在于引入了“组合操作”机制：在聚合邻居信息时，不再简单拼接，而是对中心节点与相邻边的嵌入向量执行减法、乘法或循环相关等运算。这种设计让模型能更灵活地捕捉实体间丰富的语义交互。此外，CompGCN 支持多种主流评分函数（如 TransE、DistMult、ConvE），并提供了基于 PyTorch 的完整复现代码与预置数据集，方便用户快速开展实验或将其集成到现有系统中。作为 ICLR 2020 的录用成果，它在保持理论严谨性的同时，兼顾了工程落地的便捷性。","\u003Ch1 align=\"center\">\n  CompGCN\n\u003C\u002Fh1>\n\n\u003Ch4 align=\"center\">Composition-Based Multi-Relational Graph Convolutional Networks\u003C\u002Fh4>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Ficlr.cc\u002F\">\u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FICLR-2020-4b44ce.svg\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.03082\">\u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPaper-PDF-red.svg\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Ficlr.cc\u002Fvirtual\u002Fposter_BylA_C4tPr.html\">\u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FVideo-ICLR-green.svg\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fmedium.com\u002F@mgalkin\u002Fknowledge-graphs-iclr-2020-f555c8ef10e3\">\u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FBlog-Medium-B31B1B.svg\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FCompGCN\u002Fblob\u002Fmaster\u002FLICENSE\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n\n\u003Ch2 align=\"center\">\n  Overview of CompGCN\n  \u003Cimg align=\"center\"  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmalllabiisc_CompGCN_readme_4280196549f3.png\" alt=\"...\">\n\u003C\u002Fh2>\nGiven node and relation embeddings, CompGCN performs a composition operation φ(·) over each edge in the neighborhood of a central node (e.g. Christopher Nolan above). The composed embeddings are then convolved with specific filters WO and WI for original and inverse relations respectively. We omit self-loop in the diagram for clarity. The message from all the neighbors are then aggregated to get an updated embedding of the central node. Also, the relation embeddings are transformed using a separate weight matrix. Please refer to the paper for details.\n\n### Dependencies\n\n- Compatible with PyTorch 1.0 and Python 3.x.\n- Dependencies can be installed using `requirements.txt`.\n\n### Dataset:\n\n- We use FB15k-237 and WN18RR dataset for knowledge graph link prediction. \n- FB15k-237 and WN18RR are included in the `data` directory. \n\n### Training model:\n\n- Install all the requirements from `requirements.txt.`\n\n- Execute `.\u002Fsetup.sh` for extracting the dataset and setting up the folder hierarchy for experiments.\n\n- Commands for reproducing the reported results on link prediction:\n\n  ```shell\n  ##### with TransE Score Function\n  # CompGCN (Composition: Subtraction)\n  python run.py -score_func transe -opn sub -gamma 9 -hid_drop 0.1 -init_dim 200\n  \n  # CompGCN (Composition: Multiplication)\n  python run.py -score_func transe -opn mult -gamma 9 -hid_drop 0.2 -init_dim 200\n  \n  # CompGCN (Composition: Circular Correlation)\n  python run.py -score_func transe -opn corr -gamma 40 -hid_drop 0.1 -init_dim 200\n  \n  ##### with DistMult Score Function\n  # CompGCN (Composition: Subtraction)\n  python run.py -score_func distmult -opn sub -gcn_dim 150 -gcn_layer 2 \n  \n  # CompGCN (Composition: Multiplication)\n  python run.py -score_func distmult -opn mult -gcn_dim 150 -gcn_layer 2 \n  \n  # CompGCN (Composition: Circular Correlation)\n  python run.py -score_func distmult -opn corr -gcn_dim 150 -gcn_layer 2 \n  \n  ##### with ConvE Score Function\n  # CompGCN (Composition: Subtraction)\n  python run.py -score_func conve -opn sub -ker_sz 5\n  \n  # CompGCN (Composition: Multiplication)\n  python run.py -score_func conve -opn mult\n  \n  # CompGCN (Composition: Circular Correlation)\n  python run.py -score_func conve -opn corr\n  \n  ##### Overall BEST:\n  python run.py -name best_model -score_func conve -opn corr \n  ```\n\n  - `-score_func` denotes the link prediction score score function \n  - `-opn` is the composition operation used in **CompGCN**. It can take the following values:\n    - `sub` for subtraction operation:  Φ(e_s, e_r) = e_s - e_r\n    - `mult` for multiplication operation:  Φ(e_s, e_r) = e_s * e_r\n    - `corr` for circular-correlation: Φ(e_s, e_r) = e_s ★ e_r\n  - `-name` is some name given for the run (used for storing model parameters)\n  - `-model` is name of the model `compgcn'.\n  - `-gpu` for specifying the GPU to use\n  - Rest of the arguments can be listed using `python run.py -h`\n### Citation:\nPlease cite the following paper if you use this code in your work.\n```bibtex\n@inproceedings{\n    vashishth2020compositionbased,\n    title={Composition-based Multi-Relational Graph Convolutional Networks},\n    author={Shikhar Vashishth and Soumya Sanyal and Vikram Nitin and Partha Talukdar},\n    booktitle={International Conference on Learning Representations},\n    year={2020},\n    url={https:\u002F\u002Fopenreview.net\u002Fforum?id=BylA_C4tPr}\n}\n```\nFor any clarification, comments, or suggestions please create an issue or contact [Shikhar](http:\u002F\u002Fshikhar-vashishth.github.io).\n","\u003Ch1 align=\"center\">\n  CompGCN\n\u003C\u002Fh1>\n\n\u003Ch4 align=\"center\">基于组合的多关系图卷积网络\u003C\u002Fh4>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Ficlr.cc\u002F\">\u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FICLR-2020-4b44ce.svg\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.03082\">\u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPaper-PDF-red.svg\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Ficlr.cc\u002Fvirtual\u002Fposter_BylA_C4tPr.html\">\u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FVideo-ICLR-green.svg\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fmedium.com\u002F@mgalkin\u002Fknowledge-graphs-iclr-2020-f555c8ef10e3\">\u003Cimg src=\"http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FBlog-Medium-B31B1B.svg\">\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FCompGCN\u002Fblob\u002Fmaster\u002FLICENSE\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n\n\u003Ch2 align=\"center\">\n  CompGCN 概述\n  \u003Cimg align=\"center\"  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmalllabiisc_CompGCN_readme_4280196549f3.png\" alt=\"...\">\n\u003C\u002Fh2>\n给定节点和关系嵌入，CompGCN 在中心节点邻域内的每条边（例如上方的克里斯托弗·诺兰）上执行组合操作 φ(·)。随后，组合后的嵌入分别与用于正向和反向关系的特定滤波器 WO 和 WI 进行卷积。为清晰起见，图中省略了自环。来自所有邻居的消息被聚合起来，以获得中心节点的更新嵌入。此外，关系嵌入还会通过一个独立的权重矩阵进行变换。详细信息请参阅论文。\n\n### 依赖项\n\n- 兼容 PyTorch 1.0 和 Python 3.x。\n- 可使用 `requirements.txt` 安装依赖项。\n\n### 数据集：\n\n- 我们使用 FB15k-237 和 WN18RR 数据集进行知识图谱链接预测。\n- FB15k-237 和 WN18RR 已包含在 `data` 目录中。\n\n### 训练模型：\n\n- 从 `requirements.txt` 中安装所有依赖项。\n\n- 执行 `.\u002Fsetup.sh` 以提取数据集并设置实验所需的文件夹结构。\n\n- 用于复现链接预测报告结果的命令如下：\n\n  ```shell\n  ##### 使用 TransE 分数函数\n  # CompGCN（组合：减法）\n  python run.py -score_func transe -opn sub -gamma 9 -hid_drop 0.1 -init_dim 200\n  \n  # CompGCN（组合：乘法）\n  python run.py -score_func transe -opn mult -gamma 9 -hid_drop 0.2 -init_dim 200\n  \n  # CompGCN（组合：循环相关）\n  python run.py -score_func transe -opn corr -gamma 40 -hid_drop 0.1 -init_dim 200\n  \n  ##### 使用 DistMult 分数函数\n  # CompGCN（组合：减法）\n  python run.py -score_func distmult -opn sub -gcn_dim 150 -gcn_layer 2 \n  \n  # CompGCN（组合：乘法）\n  python run.py -score_func distmult -opn mult -gcn_dim 150 -gcn_layer 2 \n  \n  # CompGCN（组合：循环相关）\n  python run.py -score_func distmult -opn corr -gcn_dim 150 -gcn_layer 2 \n  \n  ##### 使用 ConvE 分数函数\n  # CompGCN（组合：减法）\n  python run.py -score_func conve -opn sub -ker_sz 5\n  \n  # CompGCN（组合：乘法）\n  python run.py -score_func conve -opn mult\n  \n  # CompGCN（组合：循环相关）\n  python run.py -score_func conve -opn corr\n  \n  ##### 整体最佳：\n  python run.py -name best_model -score_func conve -opn corr \n  ```\n\n  - `-score_func` 表示链接预测分数函数。\n  - `-opn` 是 **CompGCN** 中使用的组合操作，可取以下值：\n    - `sub` 表示减法操作：Φ(e_s, e_r) = e_s - e_r\n    - `mult` 表示乘法操作：Φ(e_s, e_r) = e_s * e_r\n    - `corr` 表示循环相关：Φ(e_s, e_r) = e_s ★ e_r\n  - `-name` 是本次运行的名称（用于存储模型参数）。\n  - `-model` 是模型名称 `compgcn`。\n  - `-gpu` 用于指定要使用的 GPU。\n  - 其余参数可通过 `python run.py -h` 查看。\n### 引用：\n如果您在工作中使用此代码，请引用以下论文。\n```bibtex\n@inproceedings{\n    vashishth2020compositionbased,\n    title={基于组合的多关系图卷积网络},\n    author={Shikhar Vashishth 和 Soumya Sanyal 和 Vikram Nitin 和 Partha Talukdar},\n    booktitle={国际学习表示会议},\n    year={2020},\n    url={https:\u002F\u002Fopenreview.net\u002Fforum?id=BylA_C4tPr}\n}\n```\n如有任何疑问、评论或建议，请创建问题或联系 [Shikhar](http:\u002F\u002Fshikhar-vashishth.github.io)。","# CompGCN 快速上手指南\n\nCompGCN（Composition-Based Multi-Relational Graph Convolutional Networks）是一种基于组合操作的多关系图卷积网络，主要用于知识图谱链接预测任务。本指南将帮助你快速在本地环境中运行该模型。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (推荐 Linux)\n*   **Python 版本**：Python 3.x\n*   **深度学习框架**：PyTorch 1.0 或更高版本\n*   **硬件建议**：推荐使用 NVIDIA GPU 以加速训练过程\n\n## 安装步骤\n\n1.  **克隆仓库**\n    首先从 GitHub 获取源代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FCompGCN.git\n    cd CompGCN\n    ```\n\n2.  **安装依赖**\n    使用 `pip` 安装项目所需的 Python 依赖包。\n    *注：国内用户若下载缓慢，可添加清华源加速：`pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`*\n    ```bash\n    pip install -r requirements.txt\n    ```\n\n3.  **数据集配置**\n    执行提供的脚本以自动解压数据集并建立实验所需的文件夹层级结构（默认包含 FB15k-237 和 WN18RR 数据集）：\n    ```bash\n    .\u002Fsetup.sh\n    ```\n    *如果是在 Windows 环境下无法直接运行 `.sh` 文件，请手动检查 `data` 目录是否已包含解压后的数据集文件。*\n\n## 基本使用\n\n以下命令展示了如何训练一个性能最优的 CompGCN 模型（使用 ConvE 评分函数和循环相关组合操作）。\n\n**运行最佳模型示例：**\n\n```bash\npython run.py -name best_model -score_func conve -opn corr\n```\n\n**参数说明：**\n*   `-score_func`: 链接预测的评分函数，可选 `transe`, `distmult`, `conve`。\n*   `-opn`: CompGCN 使用的组合操作 $\\phi(\\cdot)$：\n    *   `sub`: 减法操作 ($e_s - e_r$)\n    *   `mult`: 乘法操作 ($e_s * e_r$)\n    *   `corr`: 循环相关操作 ($e_s \\star e_r$)\n*   `-name`: 本次运行的名称，用于保存模型参数。\n*   `-gpu`: (可选) 指定使用的 GPU 编号，例如 `-gpu 0`。\n\n**其他常用配置示例：**\n\n若需复现论文中基于 TransE 的减法组合模型：\n```bash\npython run.py -score_func transe -opn sub -gamma 9 -hid_drop 0.1 -init_dim 200\n```\n\n若需查看所有可用参数及其说明，可运行：\n```bash\npython run.py -h\n```","某大型电商平台的推荐算法团队正致力于构建一个融合用户、商品、品牌及复杂交互行为的知识图谱，以提升长尾商品的发现能力。\n\n### 没有 CompGCN 时\n- **关系语义丢失**：传统图神经网络难以区分“购买”、“浏览”和“收藏”等不同边的语义差异，导致模型将用户的随意点击误判为强购买意图。\n- **多跳推理能力弱**：在处理如“用户 A 喜欢导演 B -> 导演 B 执导电影 C\"这类多跳关联时，信息传递随层数增加迅速衰减，无法有效挖掘隐性兴趣。\n- **冷启动问题严峻**：对于新上架商品或缺乏历史行为的新用户，由于缺乏有效的邻居聚合机制，生成的嵌入向量质量极低，推荐准确率大幅下滑。\n\n### 使用 CompGCN 后\n- **精准关系建模**：CompGCN 通过减法、乘法或循环相关等组合操作，显式地将边类型（关系）融入节点更新过程，精准区分了不同交互行为的语义强度。\n- **深层关联捕捉**：利用特有的多关系卷积机制，模型能在多层传播中保持信息完整性，成功推导出“用户可能喜欢同品牌下的新品”等深层逻辑。\n- **泛化性能提升**：得益于对节点与关系嵌入的联合变换，即使在数据稀疏场景下，CompGCN 也能生成鲁棒的特征表示，显著改善了冷启动用户的推荐体验。\n\nCompGCN 的核心价值在于它将复杂的多元关系结构直接转化为可学习的卷积操作，让知识图谱真正具备了理解复杂业务逻辑的推理能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmalllabiisc_CompGCN_42801965.png","malllabiisc","MALL Lab (IISc)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmalllabiisc_cbc5e4f4.png","",null,"http:\u002F\u002Fmalllabiisc.github.io","https:\u002F\u002Fgithub.com\u002Fmalllabiisc",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",99.7,{"name":88,"color":89,"percentage":90},"Shell","#89e051",0.3,635,110,"2026-03-17T12:52:00","Apache-2.0","未说明","可选（通过 -gpu 参数指定），具体型号、显存大小及 CUDA 版本未在文档中明确说明",{"notes":98,"python":99,"dependencies":100},"代码兼容 PyTorch 1.0 和 Python 3.x。运行前需执行 .\u002Fsetup.sh 脚本以解压数据集并建立实验所需的文件夹层级结构。支持多种组合操作（减法、乘法、循环相关）和评分函数（TransE, DistMult, ConvE）。","3.x",[101],"PyTorch>=1.0",[13],[104,105,106,107,108,109,110],"link-prediction","relation-embeddings","iclr2020","graph-convolutional-networks","deep-learning","pytorch","graph-representation-learning","2026-03-27T02:49:30.150509","2026-04-06T09:45:00.923189",[114,119,124,129,134,139,143],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},10773,"WN18RR 数据集的最佳超参数配置是什么？","对于 WN18RR 数据集，推荐尝试以下配置（其余参数保持默认）：\n- model: \"compgcn_conve\"\n- opn: \"mult\" (注意：代码中选项为 'sub', 'mult', 'corr'，论文中提到的 'dot' 实际对应 'mult')\n- gcn_drop: 0.2\n- feat_drop: 0.1\n- hid_drop2: 0.4\n- bias: true\n- batch_size: 256\n- num_filt: 250 (默认值 200 也可以)\n注意：模型收敛可能需要较长时间（约 300 个 epoch）。实验发现简单操作符如 'mult' 在 WN18RR 上表现优于 'corr'。","https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FCompGCN\u002Fissues\u002F24",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},10774,"使用 TransE 解码器时模型无法收敛怎么办？","TransE 解码器对超参数敏感，默认参数可能导致不收敛。有两种解决方案：\n1. 初始设置较小的 gamma 值（例如 9），但这需要很长时间才能收敛。\n2. （推荐）初始设置 gamma 为 40，当模型饱和或每隔固定轮数（如 10 轮）时，将 gamma 减 5（即 40 -> 35 -> 30...），直到性能不再提升。注意确保 gamma 不为负数（建议在 gamma=5 时停止递减）。","https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FCompGCN\u002Fissues\u002F9",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},10775,"在哪里可以找到实体分类（节点分类）任务的代码实现？","节点分类实验的实现代码可以在以下 DGL 仓库的 Pull Request 中找到：https:\u002F\u002Fgithub.com\u002Fzhjwy9343\u002Fdgl\u002Fpull\u002F8","https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FCompGCN\u002Fissues\u002F2",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},10776,"CompGCN 是否支持多层 GCN 更新或多跳邻居聚合？","是的，支持。虽然通常 1 层效果已经很好，但根据评分函数的不同，使用更多层（更高阶邻居）有时能带来更好的性能。具体层数设置可以参考 README 中针对不同评分函数的命令示例，其中部分配置使用了多层结构。","https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FCompGCN\u002Fissues\u002F26",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},10777,"为什么代码要预先计算所有节点的表示，而不是仅在 mini-batch 中更新可见实体？","这是因为整个数据集被视为一个完整的图结构。即使某个实体未出现在当前的 mini-batch 中，它仍可能通过边与 batch 内的实体相连。为了保持图结构的完整性并正确聚合邻居信息，需要基于全图的边索引（edge_indexs）进行消息传递。反向传播会自动更新相关实体的嵌入，包括那些未直接出现在 batch 中的实体。","https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FCompGCN\u002Fissues\u002F15",{"id":140,"question_zh":141,"answer_zh":142,"source_url":128},10778,"如何解决 torch_scatter 导入时的 'libtorch_cpu.so not found' 错误？","该错误通常是由于 torch_scatter 库未正确编译或与当前 PyTorch 版本不匹配导致的。建议重新安装与当前 PyTorch 版本对应的 torch_scatter。可以通过以下命令尝试重装（需根据实际环境调整）：\npip uninstall torch-scatter\npip install torch-scatter -f https:\u002F\u002Fdata.pyg.org\u002Fwhl\u002Ftorch-{version}+{cuda}.html\n其中 {version} 和 {cuda} 需替换为你的 PyTorch 版本和 CUDA 版本。",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},10779,"超参数中的 gamma (margin) 具体含义及调整策略是什么？","gamma 代表损失函数中的边界值（margin）。由于代码中未包含学习率衰减策略，而是采用早停机制（连续 25 轮 MRR 无提升则停止），因此需要通过动态调整 gamma 来优化训练。建议策略是：初始设为较大值（如 40），随训练进程逐步递减（如每 10 轮减 5），直至性能稳定或 gamma 降至下限（如 5），以此模拟退火效果帮助模型收敛。","https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FCompGCN\u002Fissues\u002F17",[]]