基于图的神经网络是强大的模型，可以学习网络中的复杂模式。在本文中，我们将介绍如何为同构图数据构造PyTorch Data对象，然后训练不同类型的神经网络来预测节点所属的类。这种类型的预测问题通常被称为节点分类。
我们将使用来自Benedek Rozemberczki, Carl Allen和Rik Sarkar于2019年发布的“Multi-scale Attributed Node Embedding”论文中的Facebook Large Page-Page Network¹数据集。
该数据集包含22,470个Facebook页面，按主题分为四类。由不同大小的特征向量表示。数据集还包含Facebook pages 上跟随其他page的信息。网络中有171,992个链接或边。
数据集第一步是从URL下载数据集。如果手动下载也是可以的，我们这里是为了方便演示
wget https://snap.stanford.edu/data/facebook_large.zip
解压后的数据集包含三个独立的文件:
musae_facebook_edges.csv:该文件包含具有两列的Facebook页面之间的连接图，表示id_1和id_2列是相互连接的，最直接的说法就是图的边。
musae_facebook_target.csv:该文件包含数据集中22,470个Facebook Page的描述和类型。我们试图预测的标签是page_type列，这是一个多类标签，它将每个Facebook页面分为四个类之一,这就是我们图数据的节点。
musae_facebook_features.json:这个文件包含每个Facebook Page的特征向量。键是上面文件的节点id，值是特征向量。
创建PyTorch同构数据对象为了在PyTorch中训练神经网络，我们必须创建一个数据对象。由于我们的数据集包含相同类型的所有节点，我们将创建一个描述同构图的数据对象。
说明：如果数据集包含多种类型的节点或边，则需要创建一个描述异构图的HeteroData数据对象。
第一步是使用pandas读取CSV文件中的节点数据作然后从json文件中提取特征
但是我们导入JSON文件后发现特征向量大小不一致，嵌入的大小从3到31个不等。
一半情况下模型都期望节点属性或特征具有一致的大小，因此我们需要一些特征转操作。我们将从节点特征中创建张量。由于嵌入的最大大小是31，所以以最大值为例
如果一个节点的特征小于31，将用值0填充剩余的元素。然后，对每个节点的特征进行归一化。下面是所有的代码：
from torch.nn.utils.rnn import pad_sequencedef load_node_csv(path, index_col, **kwargs): df = pd.read_csv(path, **kwargs) mapping = {i: node_id for i, node_id in enumerate(df[index_col].unique())} # Load node features with open(os.path.join(data_dir, "musae_facebook_features.json"), "r") as json_file: features_data = json.load(json_file) xs = [] for index, node_id in mapping.items(): features = features_data.get(str(index), []) if features: # Create tensor from feature vector features_tensor = torch.tensor(features, dtype=torch.float) xs.append(features_tensor) else: xs.append(torch.zeros(1, dtype=torch.float)) # Pad features to have vectors of the same size padded_features = pad_sequence([torch.tensor(seq) for seq in xs], batch_first=True, padding_value=0) mask = padded_features != 0 # mask to indicate which features were padded # Create tensor of normaized features for nodes mean = torch.mean(padded_features[mask].float()) std = torch.std(padded_features[mask].float()) x = (padded_features - mean) / (std + 1e-8) # final x tensor with normalized features return xx = load_node_csv(path=os.path.join(data_dir, "musae_facebook_target.csv"), index_col="facebook_id")
上面创建了包含22,470个Facebook Page的特征向量的张量x。
下面就是加载边的数据，也就是建立节点直接的连接
def load_edge_csv(path, src_index_col, dst_index_col, **kwargs): df = pd.read_csv(path, **kwargs) src = df[src_index_col].values dst = df[dst_index_col].values edge_index = torch.tensor([src, dst]) return edge_indexedge_index = load_edge_csv(path=os.path.join(data_dir, "musae_facebook_edges.csv"), src_index_col="id_1", dst_index_col="id_2")
得到了一个长度为2的PyTorch张量，一个用于源节点，另一个用于目标节点，总计171,002条边。
清理完数据并将其转换为正确的类型后，我们现在可以为同构图创建PyTorch data对象了:
# Create homogeneous graph using PyTorch's Data objectdata = Data(x=x, edge_index=edge_index, y=y)
结果数据对象包含22,470个节点，每个节点由大小为31的特征向量表示，在删除重复项和自循环后，节点之间有171,002条边:
>>> Data(x=[22470, 31], edge_index=[2, 171002], y=[22470])
分割数据为了训练和验证，数据集被分成70%用于训练和30%用于测试，前15,728个节点用于训练，最后6,742个节点用于测试集。
# Calculate no. of train nodesnum_nodes = data.num_nodestrain_percentage = 0.7num_train_nodes = int(train_percentage * num_nodes)# Create a boolean mask for train masktrain_mask = torch.zeros(num_nodes, dtype=torch.bool)train_mask[: num_train_nodes] = True# Add train mask to data objectdata.train_mask = train_mask# Create a boolean mask for test masktest_mask = ~data.train_maskdata.test_mask = test_mask
我们使用mask来标识训练和验证集
>>> Data( x=[22470, 31], edge_index=[2, 171002], y=[22470], num_classes=4, train_mask=[22470], test_mask=[22470])
训练神经网络我们现在已经可以训练模型了。下面将训练两种不同类型的神经网络，并对它们进行比较。
在训练模型之前我们可以先可视化节点是什么样的
在上面的图表中，似乎有两个大团，但类别区分并不明显。
1、多层感知网络(MLP)
作为对比，我们先训练一个最基础的mlp看看表现
from torch.nn import Linearimport torch.nn.functional as Fclass MLP(torch.nn.Module): def __init__(self): super().__init__() torch.manual_seed(123) self.lin1 = Linear(data.num_features, 32) self.lin2 = Linear(32, 32) self.lin3 = Linear(32, 16) self.lin4 = Linear(16, 8) self.lin5 = Linear(8, data.num_classes) def forward(self, x): x = self.lin1(x) x = F.relu(x) x = self.lin2(x) x = F.relu(x) x = self.lin3(x) x = F.relu(x) x = self.lin4(x) x = F.relu(x) x = self.lin5(x) x = torch.softmax(x, dim=1) return x
创建对象
class_weights = torch.tensor([1 / i for i in df_agg_classes["proportion"].values], dtype=torch.float)model = MLP()criterion = torch.nn.CrossEntropyLoss(weight=class_weights)optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)
最终的结构如下：
>>> MLP( (lin1): Linear(in_features=31, out_features=32, bias=True) (lin2): Linear(in_features=32, out_features=32, bias=True) (lin3): Linear(in_features=32, out_features=16, bias=True) (lin4): Linear(in_features=16, out_features=8, bias=True) (lin5): Linear(in_features=8, out_features=4, bias=True))
训练循环：
def train(): model.train() optimizer.zero_grad() # Clear gradients out = model(data.x) # Perform a single forward pass loss = criterion(out[data.train_mask], data.y[data.train_mask]) # Compute loss from training data loss.backward() # Derive gradients optimizer.step() # Update parameters return loss
我们训练1000个epoch
for epoch in range(1, 1001): loss = train() print(f"Epoch: {epoch:03d}, loss: {loss:.4f}")
然后是验证代码：
def test(): model.eval() out = model(data.x) pred = out.argmax(dim=1) # Select with the highest probability test_correct = pred[data.test_mask] == data.y[data.test_mask] # Compare to ground truth labels test_acc = int(test_correct.sum()) / int(data.test_mask.sum()) # Calculate fraction of correct predictions return test_acc
在测试集上，MLP模型的准确率得分为0.4562，因此该模型能够正确分类46%的节点。
我们可以通过使用TSNE将预测转换为二维并绘制出来，从而将其可视化:
def visualize(h, color): z = TSNE(n_components=2).fit_transform(h.detach().cpu().numpy()) plt.figure(figsize=(10, 10)) plt.xticks([]) # create an empty x axis plt.yticks([]) # create an empty y axis plt.scatter(z[:, 0], z[:, 1], s=70, c=color, cmap="Set2")
可以看到用MLP模型预测的类别之间没有明显的分离。这里的MLP模型是基于特征向量进行训练的，并且不包含节点之间链接的任何信息。
2、图卷积网络(GCN)
让我们看看如果我们保持大多数参数相同，训练一个图卷积网络(GCN)模型。
from torch_geometric.nn import GCNConvclass GCN(torch.nn.Module): def __init__(self): super().__init__() torch.manual_seed(123) self.conv1 = GCNConv(data.num_features, 32) self.conv2 = GCNConv(32, 32) self.conv3 = GCNConv(32, 16) self.conv4 = GCNConv(16, 8) self.conv5 = GCNConv(8, data.num_classes) def forward(self, x, edge_index): x = self.conv1(x, edge_index) x = F.relu(x) x = self.conv2(x, edge_index) x = F.relu(x) x = self.conv3(x, edge_index) x = F.relu(x) x = self.conv4(x, edge_index) x = F.relu(x) x = self.conv5(x, edge_index) x = F.log_softmax(x, dim=1) return x
剩下的代码基本类似
model = GCN()criterion = torch.nn.CrossEntropyLoss(weight=class_weights)optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)def train(): model.train() optimizer.zero_grad() # Clear gradients out = model(data.x, data.edge_index) # Perform a single forward pass loss = criterion(out[data.train_mask], data.y[data.train_mask]) # Compute losses from training data loss.backward() # Derive gradients optimizer.step() # Update parameters return lossfor epoch in range(1, 1001): loss = train() print(f"Epoch: {epoch:03d}, Loss: {loss:.4f}")
模型验证
def test(): model.eval() out = model(data.x, data.edge_index) # Pass in features and edges pred = out.argmax(dim=1) # Get predicted test_correct = pred[data.test_mask] == data.y[data.test_mask] # Count correct predictions test_acc = int(test_correct.sum()) / int(data.test_mask.sum()) # Get proportion of correct predictions return test_acc
GCN模型能对测试集中80%的节点进行正确分类!让我们把它画出来:
可以看到显示了很好的颜色/类别分离，特别是在图表的中心到右边。这表明带有特征和边缘数据的GCN模型能够较好地对节点进行分类。
总结在本文中，我们将一个CSV文件转换为数据对象，然后使用PyTorch为节点分类任务构建基于图的神经网络。并且训练了两种不同类型的神经网络——多层感知器(MLP)和图卷积网络(GCN)。结果表明，GCN模型在该数据集上的表现明显优于MLP模型。
本文介绍的主要流程是我们训练图神经网络的基本流程，尤其是前期的数据处理和加载，通过扩展本文的基本流程可以应对几乎所有图神经网络问题。
https://avoid.overfit.cn/post/885ad3f5eb424045b02408699c45e340
作者：Claudia Ng
