简介 本文将简要介绍使用 hexo 框架搭建静态博客，并部署在 Github Pages 上。[2] Hexo 是一个基于 Node.js 的快速、简单且强大的静态博客框架。它使用 Markdown 格式来书写文章，并能够通过主题和插件进行个性化定制。 使用 GitHub Pages 部署 Hexo 博客是一种简单且免费的方式，可以让你的博客快速上线，并且拥有稳定的托管服务。 搭建步骤 安装与初始

DropEdge Towards Deep Graph Convolutional Networks On Node Classification Drop Edge Drop Edge[1]，其方法顾名思义，就是丢弃图中的边。 具体来说，对于一个邻接矩阵 \(A\) ,对于其中的每一个元素以 \(p\) 的概率置0。 这看起来和 dropout 如出一辙，事实上在实现的时候，也是采用 dropo

论文速读<二>：GNN系列 论文速读系列的第二期，论文速读主要提取论文的Key Idea，本期为GNN系列的论文速读，选取了4篇经典论文和3篇近期的论文。上期为知识图谱领域的关系抽取。 Key Idea Semi-supervised Classification with Graph Convolutional Networks[1] GCN的核心公式如下，其中\(\sigma\)表

谱聚类 本文主要对谱聚类的几篇论文进行解读，并对一部分的结果进行复现。本文首先从谱聚类的一般过程入手，介绍传统的谱聚类方法NCuts、NJW。针对传统方法的相似度量的缺陷，引入改进方法ZP；又针对特征向量的选择问题，引入改进方法PI。结合以上2种方式，加入TKNN，引入改进方法ROSC，接着对ROSC中修正相似度矩阵的缺陷，结合trace lasso正则项，引入改进方法CAST。最后，对于ROSC

写在前面 图神经网络（GNN）是近年来愈发火热，用以对图（Graph）数据进行特征提取以及各种下游任务。注意这里的图（Graph）应和图像（Image）区分，图是一种由点集与边集组成的数据结构，常记作\(\mathcal{G}=(\mathcal{V,E})\)。以下是我学习谱图理论时的一些记录。本文先介绍了线性代数的一些前置知识，包括内积与基、特征值与特征向量、二次型等内容。接着从基变换、频域信

论文速读<一>：关系抽取与提示学习 论文速读系列为对论文的核心思想进行快速抓取，仅记录论文的Key Idea。本期为论文速读系列的第一期，选取了5篇近期知识图谱领域的关系抽取相关论文。 Key Idea Enriching pre-trained language model with entity information for relation classification.[1]

ToyC语言 本项目用于学习编译原理。 将参照龙书版本的《编译原理》， 以及LLVM的编译器制作教程：https://llvm.org/docs/tutorial/MyFirstLanguageFrontend/LangImpl01.html 制作一个完整的编译器前端。 编译器的结构 图1：摘自《Compilers Principles, Techniques & Tools》第二版F