32、图神经网络项目的数据处理与获取

图神经网络项目的数据处理与获取

1. 图的邻接矩阵特性

对于无向图，其可视化的邻接矩阵沿对角线对称，所有无向图的邻接矩阵都具有对称性。而有向图的邻接矩阵可能对称，但并非必然。

2. 数据预处理与加载到PyG

数据预处理是将数据（包括其属性、标签或其他元数据）转换为适合下游机器学习模型的格式，特征工程也是其中的一个步骤。在特征工程中，常使用图算法来计算节点、边或子图的属性。例如，节点特征可以是介数中心性（Betweenness centrality）。介数中心性是衡量节点重要性的关键指标，它量化了节点位于源节点到目标节点最短路径上的倾向。给定一个有n个节点的图，可以确定图中每对唯一节点之间的最短路径。如果一个节点出现在所有或大多数这些路径中，它的介数中心性就高，被认为具有高度影响力；反之，如果出现次数很少（或仅一次），则介数中心性低，影响力也低。

要计算介数中心性，可以将ETL步骤的输出（如边列表）导入图处理框架，为每个节点计算该值。得到该值后，可以使用以节点ID为键的字典存储，后续作为节点特征使用。

3. PyG中的数据模块

在使用图神经网络（GNN）时，选择了PyG作为框架，因为它拥有强大的工具套件，并且在处理复杂图数据方面具有灵活性。PyG中有三个重要的模块：
- Data模块（torch_geometric.data） ：允许检查、操作和创建PyG环境使用的数据对象。
- Utils模块（torch_geometric.utils） ：包含许多有用的方法，在数据导入和导出图数据方面很有帮助。
-