[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-svjan5--GNNs-for-NLP":3,"tool-svjan5--GNNs-for-NLP":61},[4,18,26,36,44,53],{"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",142651,2,"2026-04-06T23:34:12",[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":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":76,"difficulty_score":32,"env_os":86,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":121},4891,"svjan5\u002FGNNs-for-NLP","GNNs-for-NLP","Tutorial: Graph Neural Networks for Natural Language Processing at EMNLP 2019 and CODS-COMAD 2020","GNNs-for-NLP 是一个专注于将图神经网络（GNN）应用于自然语言处理（NLP）领域的开源教程与代码库。该项目源自 EMNLP 2019 和 CODS-COMAD 2020 的官方教程，旨在帮助开发者理解并利用图结构数据来提升 NLP 任务的效果。\n\n传统深度学习模型通常处理序列或网格数据，而 GNNs-for-NLP 解决了如何在非欧几里得空间（如图结构）中有效建模的问题。它特别适用于需要捕捉复杂依赖关系的场景，例如语义角色标注、机器翻译、关系抽取以及文档时间戳预测等任务。通过引入图卷积网络（GCN），该资源展示了如何将文本中的实体、词语或文档构建为图节点，从而挖掘更深层次的语义关联。\n\n这套资源非常适合 NLP 研究人员、算法工程师以及对图深度学习感兴趣的学生使用。其独特亮点在于提供了基于 TensorFlow 和 PyTorch 双框架的实战代码示例，包括简化的 GCN 实现及其在 RESIDE、WordGCN 等具体项目中的扩展应用。此外，项目还附带了详细的理论讲解幻灯片和前沿论文索引，帮助用户从理论推导到代码落地进行全面学习。无论你是想复现经典模型，还是探索图方法在文","GNNs-for-NLP 是一个专注于将图神经网络（GNN）应用于自然语言处理（NLP）领域的开源教程与代码库。该项目源自 EMNLP 2019 和 CODS-COMAD 2020 的官方教程，旨在帮助开发者理解并利用图结构数据来提升 NLP 任务的效果。\n\n传统深度学习模型通常处理序列或网格数据，而 GNNs-for-NLP 解决了如何在非欧几里得空间（如图结构）中有效建模的问题。它特别适用于需要捕捉复杂依赖关系的场景，例如语义角色标注、机器翻译、关系抽取以及文档时间戳预测等任务。通过引入图卷积网络（GCN），该资源展示了如何将文本中的实体、词语或文档构建为图节点，从而挖掘更深层次的语义关联。\n\n这套资源非常适合 NLP 研究人员、算法工程师以及对图深度学习感兴趣的学生使用。其独特亮点在于提供了基于 TensorFlow 和 PyTorch 双框架的实战代码示例，包括简化的 GCN 实现及其在 RESIDE、WordGCN 等具体项目中的扩展应用。此外，项目还附带了详细的理论讲解幻灯片和前沿论文索引，帮助用户从理论推导到代码落地进行全面学习。无论你是想复现经典模型，还是探索图方法在文本分析中的新可能，GNNs-for-NLP 都是一个极佳的入门起点。","# Graph Neural Networks for Natural Language Processing\n\n[![Conference](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FEMNLP-2019-4b44ce.svg)](https:\u002F\u002Fwww.emnlp-ijcnlp2019.org\u002Fprogram\u002Ftutorials\u002F)\n[![Conference](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCODS_COMAD-2020-4b44ce.svg)](https:\u002F\u002Fcods-comad.in\u002F)\n[![Slides](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fslides-pdf-red.svg)](https:\u002F\u002Fshikhar-vashishth.github.io\u002Fassets\u002Fpdf\u002Femnlp19_tutorial.pdf)\n\nThe repository contains code examples for [GNN-for-NLP](https:\u002F\u002Fwww.emnlp-ijcnlp2019.org\u002Fprogram\u002Ftutorials\u002F) tutorial at [EMNLP 2019](https:\u002F\u002Fwww.emnlp-ijcnlp2019.org\u002F) and [CODS-COMAD 2020](https:\u002F\u002Fcods-comad.in\u002F). \n\nSlides can be downloaded from [here](https:\u002F\u002Fshikhar-vashishth.github.io\u002Fassets\u002Fpdf\u002Femnlp19_tutorial.pdf). \n\n\u003Cimg align=\"right\"  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsvjan5_GNNs-for-NLP_readme_438b37e2f33f.jpeg\">\n\n### Dependencies\n\n- Compatible with PyTorch 1.x, TensorFlow 1.x and Python 3.x.\n- Dependencies can be installed using `requirements.txt`.\n\n### TensorFlow Examples:\n\n* `tf_gcn.py` contains simplified implementation of first-order approximation of GCN model proposed by [Kipf et. al. (2016)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907)\n* Extensions of the same implementation for different problems:\n  * Relation Extraction: [RESIDE](https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FRESIDE)\n  * GCNs for Word Embeddings: [WordGCN](https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FWordGCN)\n  * Document Time-stamping: [NeuralDater](https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FNeuralDater)\n\n### PyTorch Examples:\n\n* `pytorch_gcn.py` is pytorch equivalent of `tf_gcn.py` implemented using [pytorch-geometric](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric). \n* Several other examples are available [here](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric\u002Ftree\u002Fmaster\u002Fexamples). \n\n### Additional Resources:\n\n* Short writeup on theory behind Graph Convolutional Networks [[Pdf]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.03042) (refer Chapter-2).\n* [GNN recent papers](https:\u002F\u002Fgithub.com\u002Fnaganandy\u002Fgraph-based-deep-learning-literature).\n\n### Citation:\n\n```bibtex\n@inproceedings{vashishth-etal-2019-graph,\n    title = \"Graph-based Deep Learning in Natural Language Processing\",\n    author = \"Vashishth, Shikhar  and\n      Yadati, Naganand  and\n      Talukdar, Partha\",\n    booktitle = \"Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP): Tutorial Abstracts\",\n    month = nov,\n    year = \"2019\",\n    address = \"Hong Kong, China\",\n    publisher = \"Association for Computational Linguistics\",\n    abstract = \"This tutorial aims to introduce recent advances in graph-based deep learning techniques such as Graph Convolutional Networks (GCNs) for Natural Language Processing (NLP). It provides a brief introduction to deep learning methods on non-Euclidean domains such as graphs and justifies their relevance in NLP. It then covers recent advances in applying graph-based deep learning methods for various NLP tasks, such as semantic role labeling, machine translation, relationship extraction, and many more.\",\n}\n```\n","# 用于自然语言处理的图神经网络\n\n[![会议](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FEMNLP-2019-4b44ce.svg)](https:\u002F\u002Fwww.emnlp-ijcnlp2019.org\u002Fprogram\u002Ftutorials\u002F)\n[![会议](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCODS_COMAD-2020-4b44ce.svg)](https:\u002F\u002Fcods-comad.in\u002F)\n[![幻灯片](http:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fslides-pdf-red.svg)](https:\u002F\u002Fshikhar-vashishth.github.io\u002Fassets\u002Fpdf\u002Femnlp19_tutorial.pdf)\n\n该仓库包含在 [EMNLP 2019](https:\u002F\u002Fwww.emnlp-ijcnlp2019.org\u002F) 和 [CODS-COMAD 2020](https:\u002F\u002Fcods-comad.in\u002F) 上举行的 [GNN-for-NLP](https:\u002F\u002Fwww.emnlp-ijcnlp2019.org\u002Fprogram\u002Ftutorials\u002F) 教程中的代码示例。\n\n幻灯片可从 [这里](https:\u002F\u002Fshikhar-vashishth.github.io\u002Fassets\u002Fpdf\u002Femnlp19_tutorial.pdf) 下载。\n\n\u003Cimg align=\"right\"  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsvjan5_GNNs-for-NLP_readme_438b37e2f33f.jpeg\">\n\n### 依赖项\n\n- 兼容 PyTorch 1.x、TensorFlow 1.x 和 Python 3.x。\n- 可使用 `requirements.txt` 安装依赖项。\n\n### TensorFlow 示例：\n\n* `tf_gcn.py` 包含对 [Kipf 等人 (2016)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907) 提出的 GCN 模型一阶近似的简化实现。\n* 同一实现针对不同问题的扩展：\n  * 关系抽取：[RESIDE](https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FRESIDE)\n  * 用于词嵌入的 GCN：[WordGCN](https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FWordGCN)\n  * 文档时间标注：[NeuralDater](https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FNeuralDater)\n\n### PyTorch 示例：\n\n* `pytorch_gcn.py` 是使用 [pytorch-geometric](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric) 实现的 `tf_gcn.py` 的 PyTorch 等效版本。\n* 更多示例可在 [这里](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric\u002Ftree\u002Fmaster\u002Fexamples) 找到。\n\n### 其他资源：\n\n* 关于图卷积网络理论的简短综述 [[Pdf]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.03042)（参见第 2 章）。\n* [GNN 最新论文](https:\u002F\u002Fgithub.com\u002Fnaganandy\u002Fgraph-based-deep-learning-literature)。\n\n### 引用：\n\n```bibtex\n@inproceedings{vashishth-etal-2019-graph,\n    title = \"基于图的深度学习在自然语言处理中的应用\",\n    author = \"Vashishth, Shikhar  and\n      Yadati, Naganand  and\n      Talukdar, Partha\",\n    booktitle = \"2019 年自然语言处理经验方法会议暨第九届国际自然语言处理联合会议（EMNLP-IJCNLP）教程摘要集\",\n    month = nov,\n    year = \"2019\",\n    address = \"中国香港\",\n    publisher = \"计算语言学协会\",\n    abstract = \"本教程旨在介绍基于图的深度学习技术（如图卷积网络，GCNs）在自然语言处理（NLP）领域的最新进展。它简要介绍了在非欧几里得域（如图）上使用的深度学习方法，并论证了其在 NLP 中的相关性。随后，教程将涵盖将基于图的深度学习方法应用于各种 NLP 任务的最新进展，例如语义角色标注、机器翻译、关系抽取等。\",\n}\n```","# GNNs-for-NLP 快速上手指南\n\n本指南基于 `GNNs-for-NLP` 开源项目，帮助开发者快速搭建环境并运行图神经网络（GCN）在自然语言处理中的基础示例。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：Python 3.x\n*   **深度学习框架**（任选其一）：\n    *   PyTorch 1.x\n    *   TensorFlow 1.x\n*   **硬件建议**：如需训练大型模型，建议使用支持 CUDA 的 GPU；基础示例可在 CPU 上运行。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FGNNs-for-NLP.git\ncd GNNs-for-NLP\n```\n\n### 2. 安装依赖\n项目提供了 `requirements.txt` 文件以管理依赖。推荐使用国内镜像源（如清华源）加速安装：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **注意**：\n> *   若使用 **PyTorch** 示例，需额外安装 `pytorch-geometric`。建议访问 [PyTorch Geometric 官方安装指南](https:\u002F\u002Fpytorch-geometric.readthedocs.io\u002Fen\u002Flatest\u002Fnotes\u002Finstallation.html) 选择对应版本安装，或使用以下通用命令（可能需要根据具体 CUDA 版本调整）：\n>     ```bash\n>     pip install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https:\u002F\u002Fdata.pyg.org\u002Fwhl\u002Ftorch-1.x.0+cu111.html -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n>     ```\n> *   若使用 **TensorFlow** 示例，请确保已单独安装兼容的 `tensorflow==1.x` 版本。\n\n## 基本使用\n\n本项目提供了 TensorFlow 和 PyTorch 两个版本的简化版图卷积网络（GCN）实现。\n\n### 方案 A：使用 PyTorch (推荐)\n\n运行 `pytorch_gcn.py` 脚本，该脚本基于 `pytorch-geometric` 实现了 GCN 的一阶近似模型：\n\n```bash\npython pytorch_gcn.py\n```\n\n### 方案 B：使用 TensorFlow\n\n运行 `tf_gcn.py` 脚本，该脚本实现了 Kipf et al. (2016) 提出的 GCN 模型的简化版：\n\n```bash\npython tf_gcn.py\n```\n\n### 进阶应用示例\n代码库中还包含了针对特定 NLP 任务的扩展实现参考（需跳转至对应子项目仓库）：\n*   **关系抽取 (Relation Extraction)**: 参考 [RESIDE](https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FRESIDE)\n*   **词嵌入增强 (Word Embeddings)**: 参考 [WordGCN](https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FWordGCN)\n*   **文档时间戳预测 (Document Time-stamping)**: 参考 [NeuralDater](https:\u002F\u002Fgithub.com\u002Fmalllabiisc\u002FNeuralDater)\n\n更多 PyTorch 示例可查阅 [pytorch-geometric examples](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric\u002Ftree\u002Fmaster\u002Fexamples)。","某金融风控团队需要从海量非结构化的新闻报告和法律文档中，自动提取企业间的复杂担保关系以构建风险传播图谱。\n\n### 没有 GNNs-for-NLP 时\n- 传统序列模型（如 LSTM）难以捕捉长距离依赖，无法有效识别跨越多个段落的间接担保链条。\n- 处理实体间复杂的多元关系时，只能依靠人工编写繁琐的正则规则，维护成本极高且泛化能力差。\n- 忽略了文档内部天然的句法依存结构和共指消解信息，导致大量隐含的风险关联被遗漏。\n- 模型训练缺乏针对图结构数据的现成基准代码，研发团队需从零推导数学公式并手写底层反向传播，开发周期长达数月。\n\n### 使用 GNNs-for-NLP 后\n- 利用 GCN 架构将文本转化为图结构，成功聚合了多跳邻居节点信息，精准识别出隐蔽的三层以上间接担保关系。\n- 直接复用仓库中基于 RESIDE 的关系抽取示例代码，快速适配金融领域数据，将新关系类型的开发时间从数周缩短至几天。\n- 通过引入句法依存树作为图边，显著增强了模型对上下文语义的理解，使风险链路召回率提升了 25%。\n- 依托 PyTorch Geometric 的成熟实现，团队无需关注底层图卷积算子的细节，可专注于业务逻辑优化与特征工程。\n\nGNNs-for-NLP 通过将文本数据结构化并引入图深度学习范式，彻底解决了传统方法在处理复杂语义关联时的瓶颈，大幅降低了高价值信息抽取的技术门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsvjan5_GNNs-for-NLP_438b37e2.jpg","svjan5","Shikhar Vashishth","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsvjan5_a00a997e.jpg",null,"https:\u002F\u002Fgithub.com\u002Fsvjan5",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,788,110,"2026-04-02T08:57:04","","未说明",{"notes":89,"python":90,"dependencies":91},"该仓库包含 EMNLP 2019 和 CODS-COMAD 2020 教程的代码示例。同时兼容 PyTorch 1.x 和 TensorFlow 1.x 版本（注意并非最新的 2.x 版本）。PyTorch 示例依赖 pytorch-geometric 库。具体依赖可通过 requirements.txt 安装。","3.x",[92,93,94],"PyTorch 1.x","TensorFlow 1.x","pytorch-geometric",[35,14],[97,98,99,100,101,102],"graph-convolutional-networks","deep-learning","tutorial","emnlp2019","tensorflow","pytorch","2026-03-27T02:49:30.150509","2026-04-07T13:29:26.059413",[106,111,116],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},22227,"哪里可以找到该教程的演讲录像？","录像已由 EMNLP 2019 组织者发布。您可以在 Vimeo 上搜索\"Tutorial [T6] Graph-based Deep Learning in Natural Language Processing\"找到视频，或者直接访问链接：https:\u002F\u002Fvimeo.com\u002Fsearch?q=Tutorial%20%5BT6%5D%20Graph-based%20Deep%20Learning%20in%20Natural%20Language%20Processing","https:\u002F\u002Fgithub.com\u002Fsvjan5\u002FGNNs-for-NLP\u002Fissues\u002F3",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},22228,"运行代码时出现\"RuntimeError: sum_cuda not implemented for 'Bool'\"错误，如何解决？","这通常是因为 pytorch-geometric 库未正确安装或版本不兼容导致的。维护者确认代码在 Google Colab 环境中可以正常运行。建议检查您的 PyTorch Geometric 安装是否正确，或者尝试在 Colab 环境中运行代码以排除本地环境配置问题。参考可运行的 Colab 笔记本来对比环境配置：https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1HOV56wSuVd9mzBDa43dua4oKuNw1kMPP","https:\u002F\u002Fgithub.com\u002Fsvjan5\u002FGNNs-for-NLP\u002Fissues\u002F2",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},22229,"项目中是否缺少 requirements.txt 文件？","之前确实缺失了该文件，但维护者已根据用户反馈添加了 requirements.txt。请拉取最新的代码仓库即可获取依赖配置文件。","https:\u002F\u002Fgithub.com\u002Fsvjan5\u002FGNNs-for-NLP\u002Fissues\u002F1",[]]