Jekyll2022-03-01T16:16:29+00:00https://big-cheng.com/EE447-Supplementary-Materials/feed.xmlThis course provides an introduction to wireless networking, including fundamental principles, architectures, and techniques. davendw49davendw@sjtu.edu.cn2022-03-01T13:31:26+00:002022-03-01T13:31:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2022/03/01/%E5%9F%BA%E4%BA%8E%E6%97%B6%E5%BA%8F%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1%E7%9A%84%E4%BA%8B%E4%BB%B6%E9%A2%84%E6%B5%8B<h2 id="时序知识图谱temporal-knowledge-graph">时序知识图谱（Temporal Knowledge Graph）</h2> <p>随着异构数据的增长，对动态演化的多关系图数据进行建模引起了人们的兴趣。大型的知识图谱常常会存储一些时序的事实，这些事实可以沿着时间轴(timeline)建模实体间的动态关系或相互作用，这就是所谓的时序知识图谱。</p> <h2 id="事件预测">事件预测</h2> <p>你曾想到俄罗斯🇷🇺与乌克兰🇺🇦之间会发生冲突吗，基于时序知识图谱的事件预测可以帮你解答这个问题。下图给出了一个TKG在事件预测中的样例：</p> <p><img src="../../../../supplementary/tkg.png" alt="avatar" /></p> <p>由于事件预测需要大量的历史信息，没关系，Integrated Crisis Early Warning System (ICEWS) Dataverse 数据集按天搜集了从1995年至今的不同国家和地区之间的事件。</p> <p>你可以通过<a href="https://dataverse.harvard.edu/dataverse/icews">ICEWS</a>获取这些数据。</p> <p>通过建模TKG的结构和时序关系，发现不同实体间的交互关联是事件预测的关键。</p> <h2 id="参考论文">参考论文</h2> <p>[1] Jin, Woojeong, Meng Qu, Xisen Jin, and Xiang Ren. “Recurrent Event Network: Autoregressive Structure Inferenceover Temporal Knowledge Graphs.” In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 6669–83. Online: Association for Computational Linguistics, 2020. https://doi.org/10.18653/v1/2020.emnlp-main.541.</p> <p>[2] Li, Zixuan, Xiaolong Jin, Wei Li, Saiping Guan, Jiafeng Guo, Huawei Shen, Yuanzhuo Wang, and Xueqi Cheng. “Temporal Knowledge Graph Reasoning Based on Evolutional Representation Learning.” ArXiv:2104.10353 [Cs], April 21, 2021. http://arxiv.org/abs/2104.10353.</p>davendw49davendw@sjtu.edu.cn

时序知识图谱（Temporal Knowledge Graph）

2022-03-01T13:30:26+00:002022-03-01T13:30:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2022/03/01/%E6%96%87%E6%9C%AC%E7%94%9F%E6%88%90:%E6%9C%BA%E5%99%A8%E9%98%85%E8%AF%BB%E4%B8%8E%E6%96%B0idea%E4%BA%A7%E7%94%9F<h2 id="新idea如何生成infranodus给出了这样的解答">新idea如何生成，InfraNodus给出了这样的解答</h2> <p>参考网站：<a href="https://infranodus.com/">InfraNodus</a></p> <p>该产品技术流程</p> <ol> <li>文本规范化</li> <li>停止删除单词</li> <li>text2网络转换</li> <li>利用介数中心度提取最具影响力的关键词</li> <li>使用社区检测和Force Atlas布局进行主题建模</li> <li>总结、视觉文本搜索和非线性阅读</li> <li>话语结构和话语偏见的测量</li> <li>利用结构性缺口产生洞察力文本</li> </ol> <p><img src="../../../../supplementary/InfraNodus.png" alt="avatar" /></p> <h2 id="基于学术文献的新idea生成">基于学术文献的新idea生成</h2> <p>我们Acemap数据库提供了上亿篇学术文献的摘要，通过设计一种机器论文阅读和生成的系统，也有发现新的idea的可能性。</p>davendw49davendw@sjtu.edu.cn

新idea如何生成，InfraNodus给出了这样的解答

2022-03-01T13:29:26+00:002022-03-01T13:29:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2022/03/01/Knowledge-Graph-Material<h2 id="论文和相关资料">论文和相关资料</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/knowledge-graph.tar.gz">知识图谱大礼包</a></li> </ul> <h2 id="知识图谱技术栈">知识图谱技术栈</h2> <p>很多人会认为知识图谱是商家提升自身应用市场影响力的噱头，此话不假。但是从技术本身回看知识图谱的技术栈，我们发现其实涵盖计算机的各种方向的技术应用。</p> <ul> <li>知识数据的采集需要掌握实体抽取和关系抽取的知识，例如命名实体识别和基于远程监督的关系抽取</li> <li>面对提取的数据需要掌握大规模数据存储的技能，例如分布式数据库和分布式图数据库</li> <li>面对图数据我们还可以拓展到大规模的网络表示学习或者知识表示学习</li> <li>面对知识图谱的图结构，我们还可以基于图数据转机器表示，即语言生成</li> <li>加上本体论为基础的规则逻辑的表示方式，知识图谱初始的语义网技术也是一大模块</li> </ul> <p>可以说知识图谱涵盖人工智能中的符号主义和连接主义的从古至今的大部分应用。</p> <p><img src="../../../../supplementary/stack.png" alt="avatar" /></p> <h2 id="知识图谱的前世今生">知识图谱的前世今生</h2> <p>相信有相当一部分人已经在各大平台看过很多知识图谱的相关推送了，这边就做一个简单的链接的搬运工，也是网站的站长执笔的三篇推送：</p> <ol> <li><a href="https://archive.acemap.info/academic-report/knowledge-graph">Acemap研究周报之知识图谱（一）：追根溯源</a></li> <li><a href="https://archive.acemap.info/academic-report/knowledge-graph2">Acemap研究周报之知识图谱（二）：非常建筑</a></li> <li><a href="https://archive.acemap.info/academic-report/knowledge-graph3">知识图谱系列之回到未来</a></li> </ol> <h2 id="目前kg的研究领域">目前KG+的研究领域</h2> <h3 id="nlp">NLP</h3> <p>自然语言处理的领域实在是太广阔了下面分享两个资源：</p> <ul> <li><a href="https://github.com/dair-ai/nlp_paper_summaries">https://github.com/dair-ai/nlp_paper_summaries</a></li> <li><a href="https://www.youtube.com/watch?v=OQQ-W_63UgQ&amp;list=PL3FW7Lu3i5Jsnh1rnUwq_TcylNr7EkRe6&amp;index=2&amp;t=0s">Standford NLP网课</a></li> </ul> <h3 id="图神经网络">图神经网络</h3> <p>作为一个搬运工，知乎上的一个比较认可的回答：</p> <ul> <li>GCN(Max Welling那篇)是谱域的GNN,基于谱图理论,无法天然的处理有向图.</li> <li>GAT是空域的GNN可以天然的处理有向图,通常定义入度的节点进行聚合.</li> <li>至于知识图谱/异质图也有专门设计的GNN.知识图谱上的GNN关注于了对于不同关系含义的区别,</li> <li>参考: 19KDD KGAT Knowledge Graph Attention Network for Recommendation异质图上的GNN关注于多种不同关系的融合来更好的描述节点</li> </ul> <p>如何将不能天然处理异构有向图的知识图谱和GNN结合起来是一个很热门的领域。像<a href="https://arxiv.org/abs/1904.02342?context=cs">Text Generation from Knowledge Graphs with Graph Transformers</a>这篇文章把带属性的图转成了不带属性的无向图，并且用graph transformer提取特征。</p> <h3 id="知识表示学习">知识表示学习</h3> <p>知识图谱的表示学习自然是很多的，详细可以看清华刘知远老师团队整理的KRL的<a href="https://github.com/thunlp/KRLPapers">Paperlist</a></p> <h3 id="qa">QA</h3> <p>知识图谱的最直接应用就是QA，问答系统远没有我们想象的好做，小编从本科二年级开始研究KBQA，真心觉得是一个巨坑，有一个小众的<a href="https://github.com/SeanLee2Cod/KBQA_Paper">Research Track</a></p> <h3 id="图数据库">图数据库</h3> <p>知识图谱的存储是一个亟待解决的问题，如果你们的选题设计图数据库，可以直接联系<a href="mailto:davendw@sjtu.edu.cn">daven</a></p>davendw49davendw@sjtu.edu.cn

论文和相关资料

2020-04-24T05:39:26+00:002020-04-24T05:39:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2020/04/24/NSF_CN_US%E6%95%B0%E6%8D%AE%E4%BF%A1%E6%81%AF<h2 id="中美两国国家自然科学基金项目相关数据">中美两国国家自然科学基金项目相关数据</h2> <p>数据的链接方式请查看Acemap数据库信息的文章，主要用到的数据库是NSF_CN和NSF_US</p> <ul> <li>NSF_CN <ul> <li>nsf_approval 申请资助成功的项目</li> <li>nsf_conclusion 已经结题的项目</li> </ul> </li> <li>NSF_US <ul> <li>nsf 全部美国国家自然科学基金项目</li> <li>nsf_mapping 基于nsf补充映射入Acemap数据库的作者id</li> </ul> </li> </ul> <p>表格内的字段大家可以自行理解其名字。</p> <h2 id="中美合作者关系获取">中美合作者关系获取</h2> <p>此处的合作数据不做严格的要求，下面提供两个思路： 方法一相对来说简单一些，但是数据量不会很大，方法二数据量庞大，但是获取的时间相对较长。</p> <ul> <li>方法一： <ul> <li>联系助教获得<em>中国国家自然科学基金合作者数据</em></li> <li>再通过其中<strong>已经结题</strong>的“国际合作”项目获得中美间合作的数据网络。</li> </ul> </li> <li>方法二： <ul> <li>通过<em>Acemap总数据库</em>的论文信息获得学者合作网络</li> <li>再通过<strong>中美国家自然科学基金项目</strong>持有人，进行筛选，构建网络</li> </ul> </li> </ul> <p>课程结束可提交回你们构建此数据对应关系的数据集，提供自己的贡献（可以联系助教加鸡腿）。</p> <h2 id="中国国家自然科学基金合作者数据">中国国家自然科学基金合作者数据</h2> <p>由于数据格式奇葩，实验室图数据库维护，且不希望采用共享文本的方式进行分享。目前采取一个项目一行数据的存储方式，依旧在<strong>NSF_CN</strong>数据库中，<strong>cn_co</strong>进行维护，目前<del>仍在实时导入，预计于<em>4.30 晚上7点前后导入完全</em></del>已经导入完全。</p> <p>访问方式可以为</p> <p><code class="language-plaintext highlighter-rouge">py , python import json def load_json(str): load_dict = json.load(str) projectAdmin = load_dict["projectAdminID"] ratifyNo = load_dict["ratifyNo"] participatantsList = load_dict["participants"] </code></p> <p><img src="../../../../supplementary/dataorder.png" alt="数据格式" /></p> <p>此外不建议按照字符串查询，<em>as a network</em>可以直接，<code class="language-plaintext highlighter-rouge">dump</code>下来进行<code class="language-plaintext highlighter-rouge">json</code>解析和相关的操作。</p> <h2 id="关于提交贡献">关于提交贡献</h2> <p>解决方案：</p> <ul> <li> <p>提交一个<strong>tar.gz</strong>文件包如<strong>data.tar.gz</strong>，里面包含三个文件，数据文件（可以是文件夹），导入数据库的代码（目前只支持py），并且还有建表信息以及一个<strong>README.md</strong>，这个文件夹很重要，里面需要说明三个问题：</p> </li> <li>代码的哪个位置用于修改数据库目的地</li> <li>数据的量级</li> <li>数据集的描述（如果能说明构建方式就更好了）</li> </ul> <p>如果贡献有效且有意义，可以联系助教加<strong>鸡腿</strong>。</p>davendw49davendw@sjtu.edu.cn

中美两国国家自然科学基金项目相关数据

2020-03-28T05:39:26+00:002020-03-28T05:39:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2020/03/28/COVID-19-Material<ul> <li>数据获取详见<a href="https://github.com/davendw49/Acemap-NCP-Data">数据仓库</a> 的 <a href="https://github.com/davendw49/Acemap-NCP-Data/blob/master/README.md">README.md</a></li> <li>其他项目资源和数据解释见下文</li> </ul> <h2 id="疫情项目示范">疫情项目示范</h2> <video id="video" controls="" preload="none" poster="../../../../supplementary/ncp.png"> <source id="mp4" src="../../../../supplementary/ncp.mp4" type="video/mp4" /> </video> <h2 id="ncp-acemap项目相关推送">NCP-Acemap项目相关推送</h2> <ul> <li><a href="https://mp.weixin.qq.com/s/5y_1bRryI59zAPo1KYNpZA">浅析新冠病毒如何利用迁徙轨迹攻击人类</a></li> <li><a href="https://mp.weixin.qq.com/s/oH2y0WPACDkAWQQhznsHqw">看新冠病毒的笼罩下，我们是如何反击的</a></li> <li><a href="https://mp.weixin.qq.com/s/SHiWPu5UZqMVQbPsb3p5dw">面对新冠病毒，用知识图谱助力早发现早报告</a></li> </ul> <h2 id="acemap疫情数据">Acemap疫情数据</h2> <div class="language-plaintext highlighter-rouge"><div class="highlight"><pre class="highlight"><code>数据库数据 数据的链接方式请查看Acemap数据库信息的文章，主要用到的数据库是ncp-international </code></pre></div></div> <ul> <li>international_record 世界疫情数据</li> <li>province_record 中国分省疫情数据</li> <li>city_record 中国城市疫情数据</li> <li>bbc_news bbc的新闻数据</li> <li>news 国内新闻数据</li> <li>wuhan_migration 武汉迁徙变化</li> <li>outsidePeople 境外输入病例的数目</li> </ul> <p>其余的表格大家可以自行理解标题。由于本数据库是每日更新的，所以会存在维护卡顿现象，请大家耐心。</p> <div class="language-plaintext highlighter-rouge"><div class="highlight"><pre class="highlight"><code>疫情中患者轨迹数据 这类数据主要采集自腾讯新闻，具体的数据获取详见[数据仓库](https://github.com/davendw49/Acemap-NCP-Data)的README.md </code></pre></div></div> <h2 id="相关独特资源">相关独特资源</h2> <ul> <li><a href="https://github.com/UCSD-AI4H/COVID-Dialogue">问答系统数据集</a></li> <li><a href="https://github.com/ryansmcgee/seirsplus">SEIRS+ Model分析框架</a></li> <li><a href="https://github.com/deepset-ai/COVID-QA">基于BERT的COVID-19问答系统</a></li> <li><a href="https://github.com/GuangchuangYu/nCov2019">基于R的COVID-19分析范例</a></li> <li><a href="https://github.com/soroushchehresa/awesome-coronavirus">一个不知道为什么要这样起名字的REPO</a></li> <li><a href="https://towardsdatascience.com/covid-19-with-a-flair-2802a9f4c90f">基于Flair的疫情推特内容分析</a></li> <li><a href="https://github.com/midas-network/COVID-19">MIDAS 2019 Novel Coronavirus Repository一个认真的数据仓库</a></li> <li><a href="https://github.com/BlankerL/DXY-COVID-19-Data">丁香园</a></li> </ul> <h2 id="research-material">research material</h2> <ul> <li><a href="https://github.com/benmaier/COVID19CaseNumberModel">SIR-containment model</a></li> <li><a href="https://github.com/COVIDExposureIndices/COVIDExposureIndices">Exposure indices derived from PlaceIQ movement data</a></li> <li><a href="https://github.com/blab/ncov-phylodynamics">Phylodynamic estimation of nCoV incidence and prevalence</a></li> </ul>davendw49davendw@sjtu.edu.cn

数据获取详见数据仓库 的 README.md 其他项目资源和数据解释见下文

2020-03-28T05:39:26+00:002020-03-28T05:39:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2020/03/28/%E7%9B%B8%E5%85%B3%E8%B5%84%E6%BA%90%E8%AE%BA%E6%96%87%E5%A4%A7%E5%88%97%E8%A1%A8<h2 id="区块链相关">区块链相关</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/block_chain.tar.gz">资源1</a></li> </ul> <h2 id="社区检测相关">社区检测相关</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/community-detection.tar.gz">资源2</a></li> </ul> <h2 id="gossip算法相关">GOSSIP算法相关</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/gossip_algorithm.tar.gz">资源3</a></li> </ul> <h2 id="信息熵与结构熵">信息熵与结构熵</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/information_entropy_and_structural_entropy.tar.gz">资源4</a></li> </ul> <h2 id="强化学习资源之单笔老虎机">强化学习资源之单笔老虎机</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/rl_multi_arm_bandit.tar.gz">资源5</a></li> </ul> <h2 id="推荐系统相关">推荐系统相关</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/recommendation_system.tar.gz">资源6</a></li> </ul>davendw49davendw@sjtu.edu.cn

区块链相关

2020-03-27T09:39:26+00:002020-03-27T09:39:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2020/03/27/%E5%9F%BA%E4%BA%8E%E5%88%86%E5%89%B2%E7%BB%98%E5%9B%BE%E6%B3%95%E7%9A%84%E7%BD%91%E7%BB%9C%E5%B8%83%E5%B1%80%E6%96%B9%E6%B3%95<h2 id="简介">简介</h2> <p>本资源提供了一种基于分割绘图法的超大规模学术网络布局方法，包括：根据原始数据使用启发式算法对大图进行分割；根据图划分的结果基于图布局的力引导模型生成子图的块间布局；使用力引导模型对子图分别布局，得到子图布局的最优解；根据子图的块间布局对子图进行拼接，得到初期成图；根据力引导模型对初期成图的布局进行微调，得到全图的布局最优解。本发明提出了全新的超大规模学术网络布局方法，突破了网络布局算法百万节点大关，大幅提升了网络布局算法可处理的数据体量。</p> <ul> <li>code文件夹为相关代码;</li> <li>data文件夹下为相关输入输出数据；</li> </ul> <h2 id="url">URL</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/scholarly_visualization/基于分割绘图法的网络布局方法.tar.gz">基于分割绘图法的网络布局方法</a></li> </ul>davendw49davendw@sjtu.edu.cn

简介 本资源提供了一种基于分割绘图法的超大规模学术网络布局方法，包括：根据原始数据使用启发式算法对大图进行分割；根据图划分的结果基于图布局的力引导模型生成子图的块间布局；使用力引导模型对子图分别布局，得到子图布局的最优解；根据子图的块间布局对子图进行拼接，得到初期成图；根据力引导模型对初期成图的布局进行微调，得到全图的布局最优解。本发明提出了全新的超大规模学术网络布局方法，突破了网络布局算法百万节点大关，大幅提升了网络布局算法可处理的数据体量。 code文件夹为相关代码; data文件夹下为相关输入输出数据； URL 基于分割绘图法的网络布局方法

2020-03-27T09:39:26+00:002020-03-27T09:39:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2020/03/27/%E5%9F%BA%E4%BA%8E%E5%88%86%E5%B1%82%E5%8A%A0%E8%BD%BD%E7%9A%84%E8%B6%85%E5%A4%A7%E8%A7%84%E6%A8%A1%E7%BD%91%E7%BB%9C%E5%8F%AF%E8%A7%86%E5%8C%96%E7%BB%93%E6%9E%9C%E5%B1%95%E7%A4%BA%E6%96%B9%E6%B3%95<h2 id="简介">简介</h2> <p>本资源提供了一种基于分层加载法的超大规模网络展示方法，包括：使用基于网格划分的重叠去除算法对原始网络布局中节点重叠现象进行去除；使用切片绘图的方法对超大规模网络进行切片化绘制；使用分层加载技术对绘制完成的切片进行多层缩放展示。本资源实现了一种全新的超大规模网络的展示方法，使得可展示的网络体量大大提升，并极大提升了超大规模网络缩放的速度。</p> <ul> <li>code文件夹为相关代码;</li> <li>data文件夹下为相关输入输出数据；</li> </ul> <h2 id="url">URL</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/scholarly_visualization/基于分层加载法的超大规模网络可视化结果展示方法.tar.gz">基于分层加载法的超大规模网络可视化结果展示方法</a></li> </ul>davendw49davendw@sjtu.edu.cn

简介 本资源提供了一种基于分层加载法的超大规模网络展示方法，包括：使用基于网格划分的重叠去除算法对原始网络布局中节点重叠现象进行去除；使用切片绘图的方法对超大规模网络进行切片化绘制；使用分层加载技术对绘制完成的切片进行多层缩放展示。本资源实现了一种全新的超大规模网络的展示方法，使得可展示的网络体量大大提升，并极大提升了超大规模网络缩放的速度。 code文件夹为相关代码; data文件夹下为相关输入输出数据； URL 基于分层加载法的超大规模网络可视化结果展示方法

2020-03-27T09:39:26+00:002020-03-27T09:39:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2020/03/27/%E5%9F%BA%E4%BA%8E%E5%AD%A6%E6%9C%AF%E4%BC%9A%E8%AE%AE%E6%88%96%E6%9C%9F%E5%88%8A%E6%98%9F%E7%B3%BB%E5%9B%BE%E7%9A%84%E8%B6%85%E5%A4%A7%E8%A7%84%E6%A8%A1%E5%AD%A6%E6%9C%AF%E7%BD%91%E7%BB%9C%E5%8F%AF%E8%A7%86%E5%8C%96%E6%96%B9%E6%B3%95<h2 id="简介">简介</h2> <p>本资源提供了一种基于学术会议或期刊星系图的超大规模学术网络可视化方法，包括：数据获取与处理步骤：从数据库中获取包括论文ID、论文源、论文引用关系等数据，并对数据进行处理；论文分类步骤：根据论文的论文源、对论文按照期刊和会议聚类，并生成相应分类的图文件；聚类内部布局步骤：使用自动化布局工具对分类结果快速布局，得到聚类内部布局；聚类间星系结构生成步骤：根据聚类之间的引用关系，等效聚类之间力的大小，并使用力引导算法生成聚类间星系结构；融合步骤：根据聚类间星系结构对聚类进行融合，得到可视化结果。本发明基于学术会议或期刊星系图对超大规模学术网络进行可视化，使得包含有论文发表会议或期刊的信息的超大规模学术网络能够以星系图的方式清晰展示，并使得可处理的学术网络节点数超过400万大关，而且能够对网络细节进行清晰精准地可视化。</p> <ul> <li>code文件夹为相关代码;</li> <li>data文件夹下为相关输入输出数据；</li> </ul> <h2 id="url">URL</h2> <ul> <li><a href="http://dataset.acemap.cn/EE447/scholarly_visualization/基于学术会议或期刊星系图的超大规模学术网络可视化方法.tar.gz">基于学术会议或期刊星系图的超大规模学术网络可视化方法</a></li> </ul>davendw49davendw@sjtu.edu.cn

简介 本资源提供了一种基于学术会议或期刊星系图的超大规模学术网络可视化方法，包括：数据获取与处理步骤：从数据库中获取包括论文ID、论文源、论文引用关系等数据，并对数据进行处理；论文分类步骤：根据论文的论文源、对论文按照期刊和会议聚类，并生成相应分类的图文件；聚类内部布局步骤：使用自动化布局工具对分类结果快速布局，得到聚类内部布局；聚类间星系结构生成步骤：根据聚类之间的引用关系，等效聚类之间力的大小，并使用力引导算法生成聚类间星系结构；融合步骤：根据聚类间星系结构对聚类进行融合，得到可视化结果。本发明基于学术会议或期刊星系图对超大规模学术网络进行可视化，使得包含有论文发表会议或期刊的信息的超大规模学术网络能够以星系图的方式清晰展示，并使得可处理的学术网络节点数超过400万大关，而且能够对网络细节进行清晰精准地可视化。 code文件夹为相关代码; data文件夹下为相关输入输出数据； URL 基于学术会议或期刊星系图的超大规模学术网络可视化方法

2020-03-27T09:39:26+00:002020-03-27T09:39:26+00:00https://big-cheng.com/EE447-Supplementary-Materials/sc/2020/03/27/%E6%98%9F%E4%BA%91%E5%9B%BE%E8%84%89%E7%BB%9C%E6%A0%91%E7%94%9F%E6%88%90%E4%BB%A3%E7%A0%81<h2 id="简介">简介</h2> <ul> <li>code文件夹为相关代码;</li> <li>data文件夹下为相关输入输出数据；</li> </ul> <h3 id="url">URL</h3> <ul> <li><a href="http://dataset.acemap.cn/EE447/scholarly_visualization/星云图脉络树提取.tar.gz">星云图脉络树提取</a></li> </ul>davendw49davendw@sjtu.edu.cn

简介 code文件夹为相关代码; data文件夹下为相关输入输出数据； URL 星云图脉络树提取