GCN代码分析
0.简单的跑通代码
0.1 运行环境
tensorflow (>0.12)
networkx
0.2 运行方法
cd gcn
python train.py
1. 数据
1.1 使用自己的数据
为了使用自己的数据，必须提供：
（1）一个NN的邻接矩阵（N是节点的数量）；an N by N adjacency matrix (N is the number of nodes),
（2）一个ND的特征矩阵（D是每个节点特征的数量）；an N by D feature matrix (D is the number of features per node),
（3）一个N*E的二进制标签矩阵（E是类的数量）；an N by E binary label matrix (E is the number of classes).
1.2 使用作者提供的数据（作为跑通代码的一个实例）
utils.py文件中 load_data() 函数用来读取数据。在这个例子中，我们加载文献引用网络数据（Cora, Citeseer or Pubmed）。原始数据集下载地址: http://linqs.cs.umd.edu/projects/projects/lbc/；在开源代码的版本中（代码目录data文件夹下），代码使用 https://github.com/kimiyoung/planetoid 提供的分割之后的数据集。
You can specify a dataset as follows:
可以用以下的方式特定的使用一个数据集：
python train.py --dataset citeseer
(或者编辑 train.py文件)
2.函数
3.逻辑
参考资料
[1] GCN代码分析
[2] 【GCN+AE代码逐行学习】参考资料记录
[3] Keras版GCN源码解析
[4] Semi-Supervised 图卷积
[6] Cora数据集介绍+python读取
[7] 数据集Cora、Citeseer、DBLP
函数
[1] Python scipy中的dia_matrix详解
[2] SciPy教程 - 稀疏矩阵库scipy.sparse
[3] python稀疏矩阵的存储与表示
代码
[1] LINQS STATISTICAL RELATIONAL LEARNING GROUP
[2] tkipf/gcn
[3] kimiyoung/planetoid
论文
[1] (Zhilin Yang, William W. Cohen, Ruslan Salakhutdinov, Revisiting Semi-Supervised Learning with Graph Embeddings, ICML 2016)
[2] Semi-Supervised Classification with Graph Convolutional Networks
[3] GRAPH CONVOLUTIONAL NETWORKS THOMAS KIPF, 30 SEPTEMBER 2016
GCN图神经网络模型在自己的数据集上的应用
2019-11-03 01:05:42 haoji007 阅读数 1更多
分类专栏： GCN
编辑
原文链接：https://www.jianshu.com/p/6ead6c086afd
1.将三元组数据转换为图
pytorch框架下实现的GCN代码：github代码
tensorflow框架下实现的GCN代码：github代码
PyTorch实现的GCN（Graph Convolutional Neural Networks）
提问：你能告诉我你是怎么构建自己的数据集的吗？
回答：请查这篇文章：GCN图卷积 utils.py脚本