同构和异构经典图神经网络汇总+pytorch代码

最新推荐文章于 2024-11-11 09:54:37 发布
原创 最新推荐文章于 2024-11-11 09:54:37 发布 · 4.2k 阅读 · 71 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #深度学习

本文汇总了关于图神经网络的优质资源，包括GCN、GAT、GraphSAGE的理论解析及代码实现，并介绍了异构图神经网络RGCN和HGT的概念及应用。提供了PyTorch相关的代码示例，帮助读者深入理解图神经网络在处理同构和异构图上的差异。同时，还分享了PyG的学习心得和安装指南。
部署运行你感兴趣的模型镜像

收集一些讲解比较好的博客或者知乎文档，以及对应的代码

1、同构图神经网络-GCN/GAT/GraphSAGE

2、异构图神经网络-RGCN/HGT

3、pytorch相关代码

建议下载好DBLP数据集后，合并下面的RGCN和HGT代码到一个项目里面进行效果对比

4、pytorch学习相关

您可能感兴趣的与本文相关的镜像

PyTorch 2.5

PyTorch 2.5

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库，基于 Torch 库，底层由 C++ 实现，应用于人工智能领域，如计算机视觉和自然语言处理

基于异构图神经网络的用户行为分析
08-15
资源下载链接为： https://pan.quark.cn/s/c625eb495c5b 基于异构图神经网络的用户行为分析（最新、最全版本！打开链接下载即可用！）
HGSL:图神经网络AAAI21-异构图结构学习的源代码-Source code learning
03-25
HGSL AAAI提交的源代码“图神经网络的异构图结构学习” 要求 Python包 Python> = 3.6.8 火炬> = 1.3.0 GPU内存要求 ACM> = 8G DBLP> = 5G Yelp> = 3G 用法 以DBLP数据集为例：python train.py --dataset ='dblp'
异构图神经网络 RGCN、RGAT、HAN、GNN-FILM + PyG实现
yzsjwd的博客
08-11 1万+
RGCN、RGAT、GNN-FILM代码替换十分简单，训练代码完全不用动，只要改模型代码即可，完全可以三者都尝试效果，HAN慎用，效果太吃matapath的设置，训练时间还长，不值得。
代码库：DGL_异构图神经网络的基本框架
U got this
04-11 992
文章目录创建HGNN查看HGNN属性与编号节点（边）特征metapath根据metapath取子图HGNN 2 GNN消息传递 import torch as th import dgl Using backend: pytorch 创建HGNN graph_data = { ('a', 'B', 'b'): (th.tensor([0, 0]), th.tensor([1, 2])), ('b', 'C', 'b'): (th.tensor([1]), th.tensor([2]))
图神经网络-图游走类模型 同构图 学习笔记
大模型与Agent智能体
02-12 579
图神经网络-图游走类模型学习笔记 目录 Node embeddings图游走类算法 Node embeddings 图游走类算法
PyG处理异构图Heterogeneous Graph代码实现
优快云 精品推荐
03-06 1327
异构图在图任务中非常常见，例如社交推荐图、论文引用图等，对于这类图使用传统的同构网络 `GCN`、`GAT` 是无法处理的，所以想要处理异构图 `Heterogeneous Graph` ，这里提供了几种实现策略，供小伙伴们参考：将同构网络模型转化为异构网络模型，将异构图转化为同构图，使用异构卷积包装器(Heterogenous Convolution Wrapper)搭建异构网络，使用异构卷积算子(Heterogenous Operators)搭建异构网络。
异构图神经网络代码详解与实战
qq_52053775的博客
05-11 452
定义异构图需要定义点和边，点有两组类型，user和movie,user类型的点只有id，后续需要经过编码得到特征，而movie点的特征为movie题材得到的one hot编码，user和movie通过评分（边）连接起来。然后，我们将整个图划分为训练集、测试集与验证集。需要注意的是，在数据集很大的情况下（如淘宝），整个图将会很大，处理这样的图需要很多的资源，因此，我们往往采样子图进行训练。# following PyG semantics:构建边,从user到movieprint()
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
热门推荐
盼小辉丶的博客
01-02 13万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
图神经网络实战（8）——图注意力网络(Graph Attention Networks, GAT)
盼小辉丶的博客
04-22 1万+
图注意力网络 (Graph Attention Networks, GAT) 是对图卷积网络 (Graph Convolutional Network, GCN) 的改进，提出了一种通过自注意力 (self-attention) 过程计算的加权因子，而不是使用静态的归一化系数。在本节中，我们介绍了 GAT 架构。通过从线性变换到多头注意力的四个主要步骤，了解了 GAT 的工作原理，并在 NumPy 中从零开始构建了 GAT 层。最后，将 GAT 模型应用于 Cora 和 CiteSeer 数据集。
图神经网络实战（20）——时空图神经网络
盼小辉丶的博客
11-11 6839
本节介绍了具有时空信息的图数据。这种时空成分在许多应用中都很有帮助，主要与时间序列预测有关。我们介绍了两种符合这种定义的图：静态图(特征随时间变化)和动态图(特征和拓扑结构会发生变化)。PyTorch Geometric Temporal 是 PyTorch Geometric 的扩展，专门用于处理时空图神经网络。此外，我们实现了 EvolveGCN 架构，该架构使用 GRU 或 LSTM 网络更新 GCN 参数。应用此架构执行 Web 流量预测，并且在有限的数据集上取得了出色的结果。
SELAR:PyTorch正式实施“具有异构图元路径的自我监督辅助学习”。 NeurIPS 2020年
05-02
异构图元路径的自我监督辅助学习 该存储库是的实现。 黄达索（Dasol Hwang） * ，金永公园（Jinyoung Park） * ，孙永权，金敬敏，河正宇，金贤宇（Jyun-woo J.Kim），具有异构图元路径的自我监督辅助学习，神经信息处理系统的高级（NeurIPS 2020） 。 数据预处理 我们使用和数据集进行链接预测。 从此下载meta-paths标签（ meta_labels/ ）。 data/music/ ratings_final.npy ：由KGNN-LS发布预处理评价文件; kg_final.npy ：知识图文件； meta_labels/ pos_meta{}_{}.pickle ：辅助任务的元路径肯定标签 neg_meta{}_{}.pickle ：辅助任务的元路径否定标签 data/book/ ratings_final.npy ：由Ripple
图神经网络构建代码
03-04
# GPF ## 一、GPF（Graph Processing Flow）：利用图神经网络处理问题的一般化流程 1、图节点预表示：利用NE框架，直接获得全图每个节点的Embedding; 2、正负样本采样：（1）单节点样本；（2）节点对样本； 3、抽取封闭子图：可做类化处理，建立一种通用图数据结构; 4、子图特征融合：预表示、节点特征、全局特征、边特征; 5、网络配置：可以是图输入、图输出的网络；也可以是图输入，分类/聚类结果输出的网络; 6、训练和测试; ## 二、主要文件： 1、graph.py：读入图数据; 2、embeddings.py：预表示学习; 3、sample.py：采样; 4、subgraphs.py/s2vGraph.py：抽取子图; 5、batchgraph.py：子图特征融合; 6、classifier.py：网络配置; 7、parameters.py/until.py:参数配置/帮助文件; ## 三、使用 1、在parameters.py中配置相关参数（可默认）； 2、在example/文件夹中运行相应的案例文件--包括链接预测、节点状态预测； 以链接预测为例： ### 1、导入配置参数 ```from parameters import parser, cmd_embed, cmd_opt``` ### 2、参数转换 ``` args = parser.parse_args() args.cuda = not args.noCuda and torch.cuda.is_available() torch.manual_seed(args.seed) if args.cuda: torch.cuda.manual_seed(args.seed) if args.hop != 'auto': args.hop = int(args.hop) if args.maxNodesPerHop is not None: args.maxNodesPerHop = int(args.maxNodesPerHop) ``` ### 3、读取数据 ``` g = graph.Graph() g.read_edgelist(filename=args.dataName, weighted=args.weighted, directed=args.directed) g.read_node_status(filename=args.labelName) ``` ### 4、获取全图节点的Embedding ``` embed_args = cmd_embed.parse_args() embeddings = embeddings.learn_embeddings(g, embed_args) node_information = embeddings #print node_information ``` ### 5、正负节点采样 ``` train, train_status, test, test_status = sample.sample_single(g, args.testRatio, max_train_num=args.maxTrainNum) ``` ### 6、抽取节点对的封闭子图 ``` net = until.nxG_to_mat(g) #print net train_graphs, test_graphs, max_n_label = subgraphs.singleSubgraphs(net, train, train_status, test, test_status, args.hop, args.maxNodesPerHop, node_information) print('# train: %d, # test: %d' % (len(train_graphs), len(test_graphs))) ``` ### 7、加载网络模型，并在classifier中配置相关参数 ``` cmd_args = cmd_opt.parse_args() cmd_args.feat_dim = max_n_label + 1 cmd_args.attr_dim = node_information.shape[1] cmd_args.latent_dim = [int(x) for x in cmd_args.latent_dim.split('-')] if len(cmd_args.latent_dim) == 1: cmd_args.latent_dim = cmd_args.latent_dim[0] model = classifier.Classifier(cmd_args) optimizer = optim.Adam(model.parameters(), lr=args.learningRate) ``` ### 8、训练和测试 ``` train_idxes = list(range(len(train_graphs))) best_loss = None for epoch in range(args.num_epochs): random.shuffle(train_idxes) model.train() avg_loss = loop_dataset(train_graphs, model, train_idxes, cmd_args.batch_size, optimizer=optimizer) print('\033[92maverage training of epoch %d: loss %.5f acc %.5f auc %.5f\033[0m' % (epoch, avg_loss[0], avg_loss[1], avg_loss[2])) model.eval() test_loss = loop_dataset(test_graphs, model, list(range(len(test_graphs))), cmd_args.batch_size) print('\033[93maverage test of epoch %d: loss %.5f acc %.5f auc %.5f\033[0m' % (epoch, test_loss[0], test_loss[1], test_loss[2])) ``` ### 9、运行结果 ``` average test of epoch 0: loss 0.62392 acc 0.71462 auc 0.72314 loss: 0.51711 acc: 0.80000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 10.09batch/s] average training of epoch 1: loss 0.54414 acc 0.76895 auc 0.77751 loss: 0.37699 acc: 0.79167: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 34.07batch/s] average test of epoch 1: loss 0.51981 acc 0.78538 auc 0.79709 loss: 0.43700 acc: 0.84000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 9.64batch/s] average training of epoch 2: loss 0.49896 acc 0.79184 auc 0.82246 loss: 0.63594 acc: 0.66667: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 28.62batch/s] average test of epoch 2: loss 0.48979 acc 0.79481 auc 0.83416 loss: 0.57502 acc: 0.76000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 9.70batch/s] average training of epoch 3: loss 0.50005 acc 0.77447 auc 0.79622 loss: 0.38903 acc: 0.75000: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 34.03batch/s] average test of epoch 3: loss 0.41463 acc 0.81132 auc 0.86523 loss: 0.54336 acc: 0.76000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 9.57batch/s] average training of epoch 4: loss 0.44815 acc 0.81711 auc 0.84530 loss: 0.44784 acc: 0.70833: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 28.62batch/s] average test of epoch 4: loss 0.48319 acc 0.81368 auc 0.84454 loss: 0.36999 acc: 0.88000: 100%|███████████████████████████████████| 76/76 [00:07<00:00, 10.17batch/s] average training of epoch 5: loss 0.39647 acc 0.84184 auc 0.89236 loss: 0.15548 acc: 0.95833: 100%|█████████████████████████████████████| 9/9 [00:00<00:00, 28.62batch/s] average test of epoch 5: loss 0.30881 acc 0.89623 auc 0.95132 ```
【图神经网络综述】GNN原理＋落地应用+实现框架全解
cv君的博客
08-06 4万+
【2020 图神经网络综述】A Comprehensive Survey on Graph Neural Networks 文章转载于好我的朋友：大家可以关注他的博客： Memory逆光 博客地址：https://blog.youkuaiyun.com/weixin_44936889/article/details/107764037 未经作者允许，本文禁止转载 1. 摘要： 2. 简介： 2.1 为什么要用图表示数据： 2.2 GNN与network embedding： 2.3 GNN与Gra
3.知识图谱业务落地技术推荐之图神经网络算法库&图计算框架汇总
丨汀、的博客
02-13 1250
结合PaddlePaddle深度学习框架，我们的框架基本能够覆盖大部分的图网络应用，包括图表示学习以及图神经网络。与目前的图深度学习库 PyTorch Geometric（PyG）和 Deep Graph Library（DGL）相比，虽然 PyG 和 DGL 支持基本的图深度学习操作，但 DIG 为更高层次的、面向研究的图深度学习任务提供了一个统一的测试平台，如graph generation，self-supervised learning,，explainability 以及 3D graphs。
【图神经网络】Pytorch图神经网络库——PyG异构图学习
小哲的博客
12-25 3966
异构图具有不同类型的信息附加到节点和边上。因此，由于类型和维数的差异，单个节点或边特征张量不能包含整个图的所有节点或边特征。相反，需要为节点和边分别指定一组类型，每个类型都有自己的数据张量。由于数据结构的不同，消息传递公式也随之改变，允许以节点或边类型为条件计算消息和更新函数。作为一个示例，我们从OGB数据集看一下异构网络: 给定的异构图有1,939,743个节点，节点类型分为作者、论文、机构和研究领域四种。它还有21,111,007条边，属于以下四种类型之一:这个图的任务是根据图中存储的信息推断出每一篇
异构图神经网络——Heterogeneous Graph Neural Networks
qq_52053775的博客
05-08 2028
GNN基本计算方法——邻接矩阵乘以节点，聚合相邻节点的特征，得到本节点的特征表达。
使用 PyTorch Geometric 和 GCTConv实现异构图、二部图上的节点分类或者链路预测
刘文凯的博客
04-15 2345
定义异构图的元数据字典 meta_dict，其中 ‘n1’ 和 ‘n2’ 分别表示两种节点类型，而 (‘n1’, ‘e1’, ‘n2’) 表示从类型 ‘n1’ 的节点到类型 ‘n2’ 的节点有一条边，这条边的索引和权重分别为 edge_index_e1 和 edge_weight_e1。edge_index_e2=torch.flip(edge_index_e1, (0,)) 创建逆向的边，由于是二部图无向图所以需要。定义异构元数据列表 meta_list，其中包含所有节点类型和边类型的名称信息。
PyG处理异构图（Heterogeneous Graph）代码实现
PlHtml的博客
09-21 352
在上述代码中，我们定义了一个名为HeteroMessagePassing的子类，继承自MessagePassing。在处理异构图时，我们需要考虑节点和边的类型，并且能够有效地对其进行建模和分析。在本文中，我们将介绍如何使用PyG来处理异构图，并提供相应的源代码。在上述代码中，我们创建了一个HeteroMessagePassing对象，并将节点特征、边索引和边类型作为输入参数传递给forward函数。通过定义消息传递函数并使用PyG提供的工具和模块，我们可以方便地处理和分析异构图数据。希望本文对你有所帮助！
【图神经网络】从0到1使用PyG手把手创建异构图
小哲的博客
04-03 7381
异构图的准确定义如下：异构图（Heterogeneous Graphs）：一个异构图GGG有一组节点V=v1,v2,...,vnV=v_1,v_2,...,v_nV=v1​,v2​,...,vn​和一组边E=e1,e2,...,emE=e_1,e_2,...,e_mE=e1​,e2​,...,em​组成，其中每个节点和每条边都对应着一种类型，用TvT_vTv​表示节点类型的集合，TeT_eTe​表示边类型的集合，一个异构图有两个映射函数，分别将每个节点映射到其对应的类型ϕv:V→Tv\phi_v:V\rig
异构图神经网络
最新发布
03-10
### 关于异构图神经网络 #### 原理 异构图神经网络旨在处理由不同类型的节点和边构成的复杂关系网。这类网络不仅要整合多样的节点类型及其连接方式，还需兼顾节点本身的特性信息。为了应对这些挑战，研究人员提出了多种策略和技术。 一种典型的方法是通过引入注意力机制来增强模型对于不同类型实体间交互的理解能力[^3]。具体来说，在Heterogeneous Graph Attention Networks (HGATs) 中，自注意力层允许模型自动学习哪些邻居更重要，从而更好地捕捉到局部子图中的重要模式。这种方法有助于提高对具有丰富语义背景的数据集的学习效果。 此外，HetGNN作为一种专门设计用于异构图表示学习的框架，它尝试同时利用结构化信息（即谁与谁相连）以及非结构性特征（如文本描述），以此获得更加全面而深刻的表达形式[^4]。 ```python import torch.nn as nn class HetGNN(nn.Module): def __init__(self, input_dim, hidden_dim, output_dim): super(HetGNN, self).__init__() # 定义模型架构... def forward(self, x): # 实现前向传播逻辑... pass ``` #### 应用场景 在多个领域中都能找到异构图神经网络的身影： - **社交网络分析**：理解用户行为背后复杂的相互作用； - **知识图谱构建**：帮助机器理解和推理现实世界的事物之间的联系； - **推荐系统优化**：基于用户的兴趣偏好提供个性化的商品建议； 上述应用均依赖于有效提取并利用存在于大规模异质数据集中潜在关联的能力[^1]。 #### 实现方法 当涉及到具体的实现细节时，则需考虑如何高效地聚合来自不同源的信息，并确保所得到的结果既准确又具备良好的泛化性能。为此，可以采取如下措施： - 使用消息传递机制作为基础构件，使得每个节点都能够收集到来自其邻域范围内其他成员的影响； - 结合预训练技术加速收敛过程，特别是在面对稀疏标注样本的情况下尤为有用； - 设计合理的损失函数引导整个训练流程朝着预期目标前进，比如最小化预测误差或是最大化某些特定指标得分等。 综上所述，通过对原理深入探讨、应用场景广泛覆盖以及实现路径精心规划三个方面展开讨论，希望能够为读者呈现一幅较为完整的异构图神经网络画卷。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值