Introduction of GNN dataset ——图神经网络数据集介绍

本文主要介绍近年来图神经网络方向使用最多的三个数据集的详细内容：Cora、Citeseer、PubMed。

Items	Cora	Citeseer	PubMed
#Nodes	2708	3327	19717
#Edges	5429	4732	44338
#Features	1433	3703	500
#Classes	7	6	3

一. Cora数据集

Cora数据集由机器学习论文组成，论文被分为以下七类：

1. Case Based
2. Genetic Algorithms
3. Neural Networks
4. Probabilistic Methods
5. Reinforcement Learning
6. Rule Learning
7. Theory

论文的选择方式是，在最终的语料库中，每一篇论文都引用或被至少一篇其他论文引用。整个语料库共有2708篇论文。

在词干提取和删除停止词之后，我们只剩下1433个大小独特的单词。删除所有文档频率小于10的单词。

数据集包含以下两个文件：

①cora.conten

内容格式说明如下：

+

每行的第一个条目（paper_id）是每篇论文的唯一编号ID，后续（word_attributes）包含1433个二进制码，表示词汇表中的每个单词在论文中是否存在（由1表示）或不存在（由0表示），最后一个条目（class_label）表示论文的类标签。

②cora.cites

包含了语料库中论文的引用关系，内容格式说明如下：

每行数据包含了两篇论文的编码ID，第一个条目（ID of cited paper）表示被引用论文的编号，第二个条目（ID of citing paper）表示引用论文的编号。

数据下载地址：https://linqs-data.soe.ucsc.edu/public/lbc/cora.tgz

二. Citeseer数据集

Citeseer数据集是从CiteSeer数字论文图书馆中选取的一部分论文，被分为以下六类：

1. Agents
2. AI
3. DB
4. IR
5. ML
6. HCI

论文的选择方式是，在最终的语料库中，每一篇论文都引用或被至少一篇其他论文引用。整个语料库共有3327篇论文。

在词干提取和删除停止词之后，只剩下3703个单词。删除所有文档频率小于10的单词。

数据集包含以下两个文件：

①citeseer.conten

内容格式说明如下：

+

每行的第一个条目（paper_id）是每篇论文的唯一编号ID，后续（word_attributes）包含3703个二进制码，表示词汇表中的每个单词在论文中是否存在（由1表示）或不存在（由0表示），最后一个条目（class_label）表示论文的类标签。

②citeseer.cites

包含了语料库中论文的引用关系，内容格式说明如下：

每行数据包含了两篇论文的编码ID，第一个条目（ID of cited paper）表示被引用论文的编号，第二个条目（ID of citing paper）表示引用论文的编号。

数据集下载地址：http://www.cs.umd.edu/~sen/lbc-proj/data/citeseer.tgz

三. PubMed数据集

PubMed数据集包括来自Pubmed数据库的19717篇关于糖尿病的科学出版物，分为三类：

1. Diabetes Mellitus, Experimental
2. Diabetes Mellitus Type 1
3. Diabetes Mellitus Type 2

引文网络由44338个链接组成。数据集中的每个出版物都由一个由500个唯一单词组成的字典中的TF/IDF加权词向量来描述。

TF-IDF（term frequency–inverse document frequency）是一种用于信息检索与数据挖掘的常用加权技术。TF是词频(Term Frequency)，IDF是逆文本频率指数(Inverse Document Frequency)。

TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。

数据集包含以下三个文件：

①Pubmed-Diabetes.NODE.paper.tab

内容格式说明如下：

+ +

每行数据的第一个条目（paper_id）是每篇论文的唯一编号ID，第二个条目是“label=***”,"***"表示该论文的所属类别，后续包含500个浮点数TF_IDF值，形式是"word=***"，"word"表示词汇，"***"表示词汇的TF_IDF值。

②Pubmed-Diabetes.GRAPH.pubmed.tab

无用文件，不用关注

③Pubmed-Diabetes.DIRECTED.cites.tab

<********> + |

每行数据的第一个条目暂时还没搞明白代表什么意思，第二个条目的数据和表示被引用论文的ID，第三个条目的数据表示引用论文的ID。

数据集下载地址：https://linqs-data.soe.ucsc.edu/public/Pubmed-Diabetes.tgz