期刊: best (1) IEEE Transactions on Pattern Analysis and Machine Intelligence,IEEE模式分析与机器智能汇刊,简称PAMI,是IEEE最重要的学术性汇刊之一. (2) ACM Transactions on Graphics,美国计算机协会图形汇刊,简称TOG,该刊侧重于计算机图形的处理,影响因子在该领域也比较高. (3) International Journal of Computer Vision,该刊也是该领域的顶

SLAM架构的两篇顶会论文解析 一． 基于superpoint的词袋和图验证的鲁棒闭环检测 标题:Robust Loop Closure Detection Based on Bag of SuperPoints and Graph Verification 作者:Haosong Yue, Jinyu Miao, Yue Yu, Weihai Chen and Changyun Wen 来源:IEEE/RSJ International Conference on Intelligent Rob

4.(2021.6.24)Briefings-生物信息学中的图表示学习:趋势.方法和应用 论文标题: Graph representation learning in bioinformatics: trends, methods and applications 论文期刊: Briefings in Bioinformatics 2021 论文地址: https://www.researchgate.net/profile/Haicheng-Yi/publication/354327323_G

MorsE:归纳知识图嵌入的元知识迁移 论文题目: Meta-Knowledge Transfer for Inductive Knowledge Graph Embedding 论文地址: https://scholar.archive.org/work/soegy2qe5jbbxbzdwrpgjvmhba/access/wayback/https://dl.acm.org/doi/pdf/10.1145/3477495.3531757 论文会议: ACM SIGIR 2022 目录 13.(

main.py import pymysql import re import requests # 连接数据库函数 from bs4 import BeautifulSoup def insertCvpr(value): try: db = pymysql.connect(host="localhost", user="root", password="password", database="article",charse

6.(2021.9.14)Briefings-MPG:一种有效的自我监督框架,用于学习药物分子的全局表示以进行药物发现 论文标题:An effective self-supervised framework for learning expressive molecular global representations to drug discovery 论文期刊:Briefings in Bioinformatics 2021 论文地址:https://www.researchgate.net

论文标题:Mask and Reason: Pre-Training Knowledge Graph Transformers for Complex Logical Queries 论文地址: https://arxiv.org/abs/2208.07638 论文会议: KDD 2022 17.(2022.8.16)KDD-kgTransformer:复杂逻辑查询的预训练知识图谱Transformer 17.(2022.8.16)KDD-kgTransformer:复杂逻辑查询的预训练知识图谱

3.(2021.3.26)Bioinformatics-SumGNN:通过有效的KG聚集进行多类型DDI预测 论文标题: SumGNN: multi-typed drug interaction prediction via efficient knowledge graph summarization 论文地址: https://academic.oup.com/bioinformatics/article-pdf/37/18/2988/40471587/btab207.pdf 论文期刊: B

2.(2021.3.15)Bioinformatics-MUFFIN:用于DDI预测的多尺度特征融合 论文标题: MUFFIN: multi-scale feature fusion for drug–drug interaction prediction 论文地址: https://www.researchgate.net/profile/Jianmin-Wang-3/publication/350100336_MUFFIN_Multi-Scale_Feature_Fusion_for_Dru

5.(2021.7.12)Bioinformatics-KG4SL:用于人类癌症综合致死率预测的知识图神经网络 论文标题:KG4SL: knowledge graph neural network for synthetic lethality prediction in human cancers 论文地址:https://academic.oup.com/bioinformatics/article/37/Supplement_1/i418/6319703 论文期刊:Bioinformati

14.(2022.5.21)Bioinformatics-SGCL-DTI:用于DTI预测的监督图协同对比学习 论文标题: Supervised graph co-contrastive learning for drug–target interaction prediction 论文地址: https://academic.oup.com/bioinformatics/article-abstract/38/10/2847/6551245 论文期刊: Bioinformatics 2022

MSTE: 基于多向语义关系的有效KGE用于多药副作用预测 论文标题: Effective knowledge graph embeddings based on multidirectional semantics relations for polypharmacy side effects prediction 论文期刊: Bioinformatics 2021 MSTE: 基于多向语义关系的有效KGE用于多药副作用预测 摘要 1.引言 2.相关工作 2.1 KGE 2.2.1 基于平移的

IJCAI-TEMP:知识图谱上多跳推理的类型感知嵌入 论文地址: Type-aware Embeddings for Multi-Hop Reasoning over Knowledge Graphs IJCAI-TEMP:知识图谱上多跳推理的类型感知嵌入 摘要 1.引言 2.相关工作 2.1 查询嵌入(QE) 2.2 基于路径的方法 2.3 归纳式KGC 2.4 类型感知任务 3.背景 4.语义丰富嵌入 4.1 TER:类型感知的实体表示 4.2 TRR:类型感知的关系表示 4.2.1 St

PKGC:预训练模型是否有利于KGC?可靠的评估和合理的方法 论文地址:Do Pre-trained Models Benefit Knowledge Graph Completion? A Reliable Evaluation and a Reasonable Approach 目录 PKGC:预训练模型是否有利于KGC?可靠的评估和合理的方法 摘要 1.引言 2.相关工作 2.1 评估KGC 2.2 KGC模型 2.2.1 基于嵌入的KGC模型 2.2.2 基于PLM的KGC模型 2.2.

CAKE:用于多视图KGC的可扩展常识感知框架.pdf 论文地址:CAKE:Scalable Commonsense-Aware Framework For Multi-View Knowledge Graph Completion CAKE:用于多视图知KGC的可扩展常识感知框架.pdf 摘要 1.引言 2.相关工作 2.1 KGC模型 2.2 KGE的负采样 2.3 常识KG 3.模型方法 3.1 符号和问题形式化 3.1.1 常识 3.1.2 KGE评价函数 3.1.3 链接预测 3.2

https://jcr.incites.thomsonreuters.com/JCRJournalHomeAction.action?SID=B1-bQgax2FJ7EsyZ9muP6O5loc77STd8Cbaif-18x2dlMIinEAhMpJ6ZPQtUZbfUAx3Dx3D6yZ2ESEbP0lfectmlncax2BAx3Dx3D-iyiHxxh55B2RtQWBj2LEuawx3Dx3D-1iOubBm4x2FSwJjjKtx2F7lAaQx3Dx3D&SrcApp=IC2LS&am

main.py #保存单个界面数据 def getInfo(url): # url='https://openaccess.thecvf.com/WACV2021' header={ 'User-Agent':'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.212 Mobile Safari/537.36' } html=

12.(2022.5.4)ACL-SimKGC:基于PLM的简单对比KGC 12.(2022.5.4)ACL-SimKGC:基于PLM的简单对比KGC 摘要 1.引言 2.相关工作 2.1 知识图补全(KGC) 2.2 预训练语言模型(PLM) 2.3 对比学习 3.模型方法 3.1 符号 3.2 模型结构 3.3 负采样 3.3.1 批内负采样(IB) 3.3.2 批前负采样(PB) 3.3.3 自我负采样(SN) 3.3.4 负采样处理 3.4 基于图的重排序 3.5 训练和推断 摘要 知识

  转自 http://blog.sina.com.cn/s/blog_564978430100iqpp.html   学术界,尤其是国内学术界,把SCI,EI看得太重,很多大学都要求博士毕业要有SCI,硕士毕业要有EI文章.在加拿大,就我看来,不是很注重这一块,主要是分期刊和会议,另外就是业内有自己的标准,哪些是牛的期刊,哪些是一般的.甚至觉得有的好的会议比一般的期刊都要好,那种会议的每一篇稿件的审稿人有5到6个,通常回来的审稿意见都有论文本身那么长. 无论如何,这是一个潮流,一个趋势,我们不

论文阅读笔记 Improved Word Representation Learning with Sememes 一句话概括本文工作 使用词汇资源--知网--来提升词嵌入的表征能力,并提出了三种基于知网资源的词嵌入学习模型,在通用的中文词嵌入评测数据集上进行了评测,取得了较好的结果. 作者简介 该论文选自 ACL 2017,是清华大学孙茂松刘知远老师组的成果.论文的两名共同第一作者分别是牛艺霖和谢若冰. 牛艺霖,清华本科生. 谢若冰,清华研究生(2014-2017),清华本科生(2010-20

SCI投稿过程总结.投稿状态解析.拒稿后对策及接受后期相关问答   http://muchong.com/t-9174366-1 SCI投稿过程总结.投稿状态解析.拒稿后处理对策及接受后期相关问答综合荟萃目录(重点是一.二.四.五.六):(一)投稿前准备工作和需要注意的事项.投稿过程相关经验总结(二)SCI期刊投稿各种状态详解及实例综合(学习各种投稿状态+投稿经历总结)(三)问答综合篇(是否催稿.如何撤稿.一稿两投及学术不端相关内容等)(四)如何处理审稿意见(回复意见.补实验.润色.重整数据.作