[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-muhanzhang--SEAL":3,"tool-muhanzhang--SEAL":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},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。",84991,2,"2026-04-05T10:45:23",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},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。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65628,"2026-04-05T10:10:46",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":80,"owner_company":81,"owner_location":81,"owner_email":82,"owner_twitter":81,"owner_website":83,"owner_url":84,"languages":85,"stars":123,"forks":124,"last_commit_at":125,"license":81,"difficulty_score":126,"env_os":127,"env_gpu":128,"env_ram":128,"env_deps":129,"category_tags":132,"github_topics":81,"view_count":10,"oss_zip_url":81,"oss_zip_packed_at":81,"status":22,"created_at":133,"updated_at":134,"faqs":135,"releases":165},2442,"muhanzhang\u002FSEAL","SEAL","SEAL (learning from Subgraphs, Embeddings, and Attributes for Link prediction). \"M. Zhang, Y. Chen, Link Prediction Based on Graph Neural Networks, NeurIPS 2018 spotlight\".","SEAL 是一个基于图神经网络（GNN）的链接预测框架，旨在解决社交网络、推荐系统或知识图谱中“两个节点之间是否存在连接”这一核心问题。其核心理念颇具创新性：它将传统的链接预测任务巧妙地转化为子图分类问题。\n\n具体而言，对于每一对待预测的目标节点，SEAL 会提取其周围的局部封闭子图，并构建包含结构标签、潜在嵌入及节点属性的信息矩阵。随后，利用图神经网络同时学习图的结构特征与节点的特征信息，从而判断链接存在的可能性。这种设计使得 SEAL 能够兼顾全局结构与局部细节，显著提升了预测精度。\n\nSEAL 的一大技术亮点在于其灵活性与归纳学习能力。它并不强制依赖节点嵌入或属性信息，在多数场景下，仅凭纯图结构即可训练出高性能模型。若不使用节点嵌入，SEAL 还能转变为归纳式模型，具备处理 unseen 节点的泛化能力。值得注意的是，实验表明在某些情况下，强行加入嵌入特征反而可能降低性能，因此用户可根据数据特性灵活配置。\n\n目前，SEAL 提供了 MATLAB 和 Python 两种实现版本。MATLAB 版本复现了原论文的实验结果并包含基线对比代码；Python 版本则更具扩展性，另有基于 P","SEAL 是一个基于图神经网络（GNN）的链接预测框架，旨在解决社交网络、推荐系统或知识图谱中“两个节点之间是否存在连接”这一核心问题。其核心理念颇具创新性：它将传统的链接预测任务巧妙地转化为子图分类问题。\n\n具体而言，对于每一对待预测的目标节点，SEAL 会提取其周围的局部封闭子图，并构建包含结构标签、潜在嵌入及节点属性的信息矩阵。随后，利用图神经网络同时学习图的结构特征与节点的特征信息，从而判断链接存在的可能性。这种设计使得 SEAL 能够兼顾全局结构与局部细节，显著提升了预测精度。\n\nSEAL 的一大技术亮点在于其灵活性与归纳学习能力。它并不强制依赖节点嵌入或属性信息，在多数场景下，仅凭纯图结构即可训练出高性能模型。若不使用节点嵌入，SEAL 还能转变为归纳式模型，具备处理 unseen 节点的泛化能力。值得注意的是，实验表明在某些情况下，强行加入嵌入特征反而可能降低性能，因此用户可根据数据特性灵活配置。\n\n目前，SEAL 提供了 MATLAB 和 Python 两种实现版本。MATLAB 版本复现了原论文的实验结果并包含基线对比代码；Python 版本则更具扩展性，另有基于 PyTorch Geometric 的实现支持 OGB 基准数据集及 Cora、CiteSeer 等常用数据集。因此，SEAL 非常适合从事图机器学习算法研究的研究人员、需要开发链接预测功能的 AI 工程师以及数据挖掘领域的开发者使用。","SEAL -- learning from Subgraphs, Embeddings, and Attributes for Link prediction\n===============================================================================\n\nAbout\n-----\n\nCode for SEAL (learning from Subgraphs, Embeddings, and Attributes for Link prediction). SEAL is a novel framework for link prediction which systematically transforms link prediction to a subgraph classification problem. For each target link, SEAL extracts its *h*-hop enclosing subgraph *A* and builds its node information matrix *X* (containing structural node labels, latent embeddings, and explicit attributes of nodes). Then, SEAL feeds (*A, X*) into a graph neural network (GNN) to classify the link existence, so that it can learn from both graph structure features (from *A*) and latent\u002Fexplicit features (from *X*) simultaneously for link prediction.\n\nFor more information, please check our paper:\n> M. Zhang and Y. Chen, Link Prediction Based on Graph Neural Networks, Advances in Neural Information Processing Systems (NIPS-18). [\\[PDF\\]](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.09691.pdf)\n\nVersion\n-------\n\nSEAL is implemented in both MATLAB and Python. The MATLAB version was used to generate the experimental results in the paper, which also contains the evaluation code of other baseline methods. The Python software has better flexibility and scalability.\n\nThere is also a PyTorch Geometric implementation [here](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FSEAL_OGB), which tests SEAL on the open graph benchmark (OGB) datasets. It also supports Planetoid datasets such as Cora and CiteSeer, as well as custom Pytorch Geometric datasets.\n\nNote\n----\n\nNeither embeddings nor attributes are necessary for SEAL. In most networks, SEAL can learn a very good model without using any embeddings or attributes (thus leveraging purely graph structures). As the experiments show, including embeddings in *X* might even hurt the performance. SEAL becomes an **inductive** link prediction model if we do not include node embeddings in *X*. \n\nReference\n---------\n\nIf you find the code useful, please cite our paper:\n\n    @inproceedings{zhang2018link,\n      title={Link prediction based on graph neural networks},\n      author={Zhang, Muhan and Chen, Yixin},\n      booktitle={Advances in Neural Information Processing Systems},\n      pages={5165--5175},\n      year={2018}\n    }\n\nMuhan Zhang, Washington University in St. Louis\nmuhan@wustl.edu\n9\u002F5\u002F2018\n","SEAL — 基于子图、嵌入和属性的链接预测学习\n===============================================================================\n\n简介\n-----\n\n这是 SEAL（基于子图、嵌入和属性的链接预测学习）的代码实现。SEAL 是一种新颖的链接预测框架，它将链接预测问题系统地转化为子图分类问题。对于每一条目标链接，SEAL 会提取其 *h* 跳包围子图 *A*，并构建节点信息矩阵 *X*（包含节点的结构标签、潜在嵌入以及显式属性）。随后，SEAL 将 (*A, X*) 输入到图神经网络 (GNN) 中进行链接是否存在性的分类，从而能够同时从图结构特征（来自 *A*）和潜在\u002F显式特征（来自 *X*）中学习，以实现链接预测。\n\n更多信息请参阅我们的论文：\n> M. Zhang 和 Y. Chen，《基于图神经网络的链接预测》，神经信息处理系统进展会议 (NIPS-18)。[\\[PDF\\]](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.09691.pdf)\n\n版本\n-------\n\nSEAL 同时提供了 MATLAB 和 Python 两种实现。论文中的实验结果是使用 MATLAB 版本生成的，该版本还包含了其他基线方法的评估代码。而 Python 版本则具有更好的灵活性和可扩展性。\n\n此外，还有一个基于 PyTorch Geometric 的实现 [在这里](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FSEAL_OGB)，它在开放图基准 (OGB) 数据集上测试了 SEAL。该实现也支持 Planetoid 数据集，如 Cora 和 CiteSeer，以及自定义的 PyTorch Geometric 数据集。\n\n注意\n----\n\nSEAL 并不需要嵌入或属性。在大多数网络中，SEAL 即使不使用任何嵌入或属性（仅利用纯图结构），也能学习到非常优秀的模型。实验表明，在 *X* 中加入嵌入甚至可能降低性能。如果我们在 *X* 中不包含节点嵌入，SEAL 就会成为一个 **归纳式** 链接预测模型。\n\n引用\n----\n\n如果您觉得此代码有用，请引用我们的论文：\n\n    @inproceedings{zhang2018link,\n      title={基于图神经网络的链接预测},\n      author={Zhang, Muhan 和 Chen, Yixin},\n      booktitle={神经信息处理系统进展},\n      pages={5165--5175},\n      year={2018}\n    }\n\nMuhan Zhang，圣路易斯华盛顿大学\nmuhan@wustl.edu\n2018年9月5日","# SEAL 快速上手指南\n\nSEAL (Subgraphs, Embeddings, and Attributes for Link prediction) 是一个基于图神经网络（GNN）的链路预测框架。它通过将链路预测转化为子图分类问题，同时利用图结构特征和节点属性\u002F嵌入进行预测。\n\n## 环境准备\n\nSEAL 提供 MATLAB 和 Python 两种实现。鉴于 Python 版本具有更好的灵活性和可扩展性，以下指南以 **Python 实现**为主。此外，还有一个基于 PyTorch Geometric 的实现版本，支持 OGB、Planetoid（如 Cora, CiteSeer）及自定义数据集。\n\n**系统要求：**\n*   操作系统：Linux \u002F macOS \u002F Windows\n*   Python 版本：建议 Python 3.6+\n\n**前置依赖：**\n*   NumPy\n*   SciPy\n*   Scikit-learn\n*   PyTorch (若使用 PyTorch Geometric 版本)\n*   PyTorch Geometric (若使用 PyG 版本)\n\n> **提示**：国内用户安装 PyTorch 及相关库时，建议使用清华源或阿里源加速，例如：\n> `pip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n### 1. 克隆仓库\n\n根据需求选择标准 Python 实现或 PyTorch Geometric 实现。\n\n**选项 A：标准 Python 实现（复现论文结果）**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmuhanzhang\u002FSEAL.git\ncd SEAL\n```\n\n**选项 B：PyTorch Geometric 实现（推荐，支持 OGB 等现代数据集）**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FSEAL_OGB.git\ncd SEAL_OGB\n```\n\n### 2. 安装依赖\n\n进入对应目录后，安装所需的 Python 包。\n\n对于 **选项 B (SEAL_OGB)**，通常需要先安装 PyTorch Geometric 及其依赖：\n\n```bash\n# 安装 PyTorch Geometric 依赖 (请根据你的 CUDA 版本调整 url，此处为 CPU 版本示例)\npip install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https:\u002F\u002Fdata.pyg.org\u002Fwhl\u002Ftorch-1.9.0+cpu.html\n\n# 安装其他依赖\npip install -r requirements.txt\n```\n\n*(注：具体依赖文件请以仓库内实际的 `requirements.txt` 为准)*\n\n## 基本使用\n\n以下以 **PyTorch Geometric 实现 (SEAL_OGB)** 为例，展示如何在标准数据集上运行 SEAL。\n\n### 1. 在 Planetoid 数据集上运行 (例如 Cora)\n\nSEAL_OGB 支持直接运行在 Cora、CiteSeer 等经典数据集上。\n\n```bash\npython main.py --dataset Cora\n```\n\n### 2. 在 OGB 数据集上运行 (例如 ogbl-collab)\n\nOpen Graph Benchmark (OGB) 是评估图机器学习模型的标准基准。\n\n```bash\npython main.py --dataset ogbl-collab\n```\n\n### 3. 关键参数说明\n\n*   `--dataset`: 指定数据集名称。\n*   `--hop`: 提取子图的跳数（h-hop enclosing subgraph），默认为 1 或 2。\n*   `--use_feature`: 是否使用节点特征。如果不包含节点嵌入，SEAL 将成为一个纯归纳式（inductive）链路预测模型，仅利用图结构信息。\n\n**注意：**\n根据论文实验，在许多网络中，不使用任何嵌入或属性（即仅利用图结构 `A`）也能获得很好的效果。在某些情况下，向节点信息矩阵 `X` 中加入嵌入反而可能降低性能。","某大型电商平台的数据科学团队正致力于优化其商品推荐系统，核心任务是基于用户的历史浏览和购买行为图，精准预测用户与未交互商品之间产生购买链接的可能性，以提升转化率。\n\n### 没有 SEAL 时\n- **局部结构信息丢失**：传统矩阵分解或浅层嵌入方法仅依赖全局节点向量，难以捕捉用户与商品间复杂的局部拓扑结构（如共同邻居、三角闭合关系），导致对稀疏交互数据的预测能力不足。\n- **泛化能力受限**：基于转ductive（直推式）的方法要求所有节点在训练时可见，面对新注册用户或新上架商品（冷启动问题），模型无法直接生成有效预测，需重新训练或采用启发式规则，维护成本高且效果差。\n- **特征融合生硬**：若尝试结合用户画像等显式属性，往往需要手动设计特征工程或将结构与属性分开处理，难以让模型自动学习结构特征与节点属性之间的非线性交互关系，造成信息冗余或冲突。\n\n### 使用 SEAL 后\n- **精细化子图建模**：SEAL 为每个待预测的用户-商品对提取 h-hop 封闭子图，并利用 GNN 直接学习子图的结构模式，有效捕捉了高阶邻域信息，显著提升了在稀疏数据下的预测准确率。\n- **支持归纳式学习**：通过不包含预训练嵌入的纯结构学习模式，SEAL 转变为归纳式（Inductive）模型。即使面对全新的用户或商品，只要存在局部连接结构，即可直接进行推理，完美解决冷启动难题。\n- **端到端特征融合**：SEAL 将子图结构矩阵与节点属性（如有）统一输入神经网络，自动学习结构与属性的联合表示，避免了繁琐的人工特征组合，使模型能更灵活地适应不同数据分布。\n\nSEAL 通过将链接预测转化为子图分类问题，实现了从全局粗粒度匹配到局部细粒度结构理解的跨越，显著增强了推荐系统在动态变化和冷启动场景下的鲁棒性与准确性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmuhanzhang_SEAL_a7ac263c.png","muhanzhang","Muhan Zhang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmuhanzhang_b8a6340f.jpg","Assistant Professor at Peking University.",null,"muhan.zhang@hotmail.com","muhanzhang.github.io","https:\u002F\u002Fgithub.com\u002Fmuhanzhang",[86,90,94,98,102,106,110,112,115,119],{"name":87,"color":88,"percentage":89},"C","#555555",66.3,{"name":91,"color":92,"percentage":93},"C++","#f34b7d",11.8,{"name":95,"color":96,"percentage":97},"MATLAB","#e16737",9,{"name":99,"color":100,"percentage":101},"Python","#3572A5",3.1,{"name":103,"color":104,"percentage":105},"Java","#b07219",2.6,{"name":107,"color":108,"percentage":109},"HTML","#e34c26",2.1,{"name":111,"color":81,"percentage":10},"M4",{"name":113,"color":114,"percentage":46},"Scala","#c22d40",{"name":116,"color":117,"percentage":118},"Shell","#89e051",0.8,{"name":120,"color":121,"percentage":122},"Makefile","#427819",0.7,671,145,"2026-03-26T08:54:35",4,"","未说明",{"notes":130,"python":128,"dependencies":131},"SEAL 提供 MATLAB 和 Python 两种实现版本。README 中未列出具体的 Python 版本、依赖库列表及硬件配置要求。此外，还有一个基于 PyTorch Geometric 的实现版本（位于外部链接），支持 OGB 基准数据集及 Planetoid 数据集（如 Cora 和 CiteSeer）。SEAL 不需要节点嵌入或属性即可运行，仅利用图结构也能取得良好效果，且在不包含节点嵌入时表现为归纳式（inductive）链接预测模型。",[],[18],"2026-03-27T02:49:30.150509","2026-04-06T07:12:41.893558",[136,141,146,151,156,161],{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},11231,"SEAL 算法是否支持在没有节点嵌入（Node Embedding）和节点属性（Attributes）的情况下运行？","支持。如果只考虑图的拓扑结构，构造子图的信息矩阵 X 时不需要包含节点嵌入和属性。你可以将这些特征置为 0 或直接不使用，算法仅依靠节点在子图中的相对位置标签（Labeling）即可进行预测。","https:\u002F\u002Fgithub.com\u002Fmuhanzhang\u002FSEAL\u002Fissues\u002F28",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},11232,"在 Windows 系统上运行代码时报错 \"ModuleNotFoundError: No module named 'main'\" 或兼容性问题，该如何解决？","PyTorch_DGCNN 在 Windows 上的支持不佳。建议在 Windows 10 上安装 Ubuntu 子系统（WSL），然后在子系统中按照 README 的说明进行安装和运行。","https:\u002F\u002Fgithub.com\u002Fmuhanzhang\u002FSEAL\u002Fissues\u002F57",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},11233,"使用自定义数据集训练时出现 \"KeyError\" 或 \"index out of bounds\" 错误，可能是什么原因？","这通常是因为数据集中存在自环（Self-loops），即某一行的两个节点 ID 相同（例如 \"193 193\"）。在提取封闭子图时，代码尝试移除目标节点，但如果节点重复或逻辑冲突会导致 KeyError。请检查并清理数据集，确保没有重复节点的行或自环。","https:\u002F\u002Fgithub.com\u002Fmuhanzhang\u002FSEAL\u002Fissues\u002F69",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},11234,"对于有向图数据集（如 ogbl-ddi），SEAL 是如何处理边方向的？测试时如何输出方向？","在 PyTorch Geometric 中，无向图被视为具有双向边的有向图，消息传递仅沿边方向进行。对于 ogbl-ddi 等数据集，训练时并不假设所有边都是无向的，而是根据实际方向处理。在测试阶段（如 ogbl-citation），测试边的方向是给定的，模型只需为每个有向测试边输出一个评分即可，不需要随机预测方向。","https:\u002F\u002Fgithub.com\u002Fmuhanzhang\u002FSEAL\u002Fissues\u002F45",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},11235,"推荐使用哪个版本的 SEAL 代码？如何加载已保存的模型进行预测？","推荐基于 SEAL_OGB 版本进行开发，因为它使用了更灵活的 pytorch_geometric 库，并且经过一系列效率优化，比原始实现具有更好的可扩展性。若要加载已保存的模型进行预测，可以使用 `model.load_state_dict(torch.load(your_model_save_path))` 加载参数，并跳过训练部分直接进行推理。","https:\u002F\u002Fgithub.com\u002Fmuhanzhang\u002FSEAL\u002Fissues\u002F54",{"id":162,"question_zh":163,"answer_zh":164,"source_url":155},11236,"在提取封闭子图时，连接到子图外部节点的边是如何处理的？","那些一端在子图内、另一端在子图外的边，默认不被包含在封闭子图的结构中，因为并非两个端点都在 k-hop 邻域内。在构建子图时，主要关注子图内部的拓扑结构和节点标签。",[]]