图形内核的scikitlearn兼容库
grakel的Python项目详细描述
GraKeL是一个库，它提供了几个成熟的图形内核的实现。库将这些内核统一到一个公共框架中。此外，它还提供了一些在图形内核之上工作的框架的实现。具体来说，GraKeL包含15个内核和2个框架。该库与scikit-learn管道兼容，允许在机器学习算法内轻松快速地集成。在
具体来说，目前实现了以下内核和框架：
- Vertex histogram kernel
- Edge histogram kernel
- ^{str1}$Shortest path kernel来自Borgwardt和Kriegel:Shortest-path kernels on graphs（ICDM 2005）
- Graphlet kernel来自shervasidze等人。：Efficient graphlet kernels for large graph comparison（AISTATS 2009）
- Random walk kernel来自Vishwanathan等人。：Graph Kernels（JMLR 11（Apr））
- ^{str1}$Neighborhood hash graph kernel来自Hido和Kashima:A Linear-time Graph Kernel（ICDM 2009）
- Weisfeiler-Lehman framework来自shervasidze等人。：Weisfeiler-Lehman Graph Kernels（JMLR 12（Sep））
- ^{str1}$Neighborhood subgraph pairwise distance kernel来自Costa and De Grave:Fast Neighborhood Subgraph Pairwise Distance Kernel（icml2010）
- Lovasz-theta kernel来自Johansson等人。：Global graph kernels using geometric embeddings（ICML 2014）
- SVM-theta kernel来自Johansson等人。：Global graph kernels using geometric embeddings（ICML 2014）
- Ordered decompositional DAG kernel来自Da San Martino等人。：A Tree-Based Kernel for Graphs（SDM 2012）
- GraphHopper kernel来自Feragen等人。：Scalable kernels for graphs with continuous attributes（NIPS 2013）
- Propagation kernel来自Neumann等人。：Propagation kernels: efficient graph kernels from propagated information（机器学习102（2））
- Pyramid match kernel来自Nikolentzos等人。：Matching Node Embeddings for Graph Similarity（AAAI 2017）
- Subgraph matching kernel来自Kriege和Mutzel:Subgraph Matching Kernels for Attributed Graphs（ICML 2012）
- Multiscale Laplacian kernel来自Kondor and Pan:The Multiscale Laplacian Graph Kernel（NIPS 2016）
- Core framework来自Nikolentzos等人。：A Degeneracy Framework for Graph Similarity（IJCAI 2018）
- Weisfeiler-Lehman optimal assignment kernel来自Kriege等人。：On Valid Optimal Assignment Kernels and Applications to Graph Classification（NIPS 2016）
要了解如何安装和使用GraKeL，并了解有关实现的内核和框架的更多信息，请阅读我们的documentation。要了解库的功能和示例应用程序，请查看examples/目录中的examples和{
如果发现错误，请打开issue。要提出一个新的内核，可以打开一个feature request。在
安装
GraKeL库需要安装以下软件包：
- Python（>；=2.7，>；=3.5）
- 数量（>；=1.8.2）
- 压缩性（>；=0.13.3）
- Cython（>；=0.27.3）
- cvxopt（>；=1.2.0）[可选]
- future（>；=0.16.0）（对于python 2.7）
要安装软件包，请运行：
$ pip install grakel
运行测试
要测试包，请执行：
^{pr2}$运行示例
$ cd examples
$ python shortest_path.py
引用
如果您在科学出版物中使用GraKeL，请引用我们的论文（http://jmlr.org/papers/volume21/18-370/18-370.pdf）：
@article{JMLR:v21:18-370,
author = {Giannis Siglidis and Giannis Nikolentzos and Stratis Limnios and Christos Giatsidis and Konstantinos Skianis and Michalis Vazirgiannis},
title = {GraKeL: A Graph Kernel Library in Python},
journal = {Journal of Machine Learning Research},
year = {2020},
volume = {21},
number = {54},
pages = {1-5}
}
许可证
GraKeL是在bsd3-clause许可下发布的。该库利用了^{a44 }（图的自同构群和正则标号的计算工具）的C++源代码，即^ {STR 1 } $LGPL 许可。此外，GraKeL的可选依赖项cvxopt包（一个用于凸优化的软件包）是GPL许可的。在
- 项目
标签：
欢迎加入QQ群-->： 979659372
