了解DGL中的数据格式

前言

在PyG搭建GCN前的准备：了解PyG中的数据格式中讲解了PyG中的数据格式，DGL是与PyG齐名的另一大图神经网络框架，二者各有优缺点，建议都学习并掌握。

1. DGL数据集

本篇文章使用Citeseer网络。Citeseer网络是一个引文网络，节点为论文，一共3327篇论文。论文一共分为六类：Agents、AI（人工智能）、DB（数据库）、IR（信息检索）、ML（机器语言）和HCI。如果两篇论文间存在引用关系，那么它们之间就存在链接关系。

DGL加载Citeseer网络：

import dgl
from dgl.data.citation_graph import CiteseerGraphDataset

dataset = CiteseerGraphDataset()
print(len(dataset))

输出为1，说明只有一个网络，然后我们输出一下这个网络：

graph = dataset[0]
print(type(graph))
print(graph)

输出：

<class 'dgl.heterograph.DGLHeteroGraph'>
Graph(num_nodes=3327, num_edges=9228,
      ndata_schemes={'train_mask': Scheme(shape=(), dtype=torch.bool), 'label': Scheme(shape=(), dtype=torch.int64), 'val_mask': Scheme(shape=(), dtype=torch.bool), 'test_mask': Scheme(shape=(), dtype=torch.bool), 'feat': Scheme(shape=(3703,), dtype=torch.float32)}
      edata_schemes={'__orig__': Scheme(shape=(), dtype=torch.int64)})

在DGL中，所有图都为dgl.DGLGraph格式，为了创建图，可以有以下两种方法：dgl.graph()和dgl.heterograph()，这两个方法分别创建同质图和异质图，二者返回的都是dgl.DGLGraph。

因此，下面先了解一下dgl.DGLGraph。

1.1 dgl.DGLGraph

dgl.DGLGraph类有以下属性和方法：

首先是属性：

DGLGraph.ntypes

返回图中所有类型节点的名称，如上面的网络返回：

['_N']

表明只有一种类型的节点，即论文节点。

同理还有边类型：

DGLGraph.etypes

输出为：

['_E']

同样只有一种类型的边。此外，DGLGraph.srctypes和DGLGraph.dsttypes分别返回源节点和目标节点的类型。

print(graph.metagraph())   # 返回异质图的元图
MultiDiGraph with 1 nodes and 1 edges

print(graph.num_nodes())   # 返回节点数
3327

print(graph.num_edges())   # 返回边数
9228

DGLGraph.nodes()返回节点集合:

print(graph.nodes())
tensor([   0,    1,    2,  ..., 3324, 3325, 3326])

边集合：

print(graph.edges())
(tensor([   2,    3,    0,  ..., 3323, 3326, 3325]), tensor([   0,    0,    0,  ..., 3324, 3325, 3326]))

同样是两个列表，分别对应两端节点编号。

ndata返回节点上的一些信息：

print(graph.ndata)
{'train_mask': tensor([False,  True, False,  ..., False, False,  True]), 'label': tensor([1, 4, 1,  ..., 5, 3, 3]), 'val_mask': tensor([False, False, False,  ..., False, False, False]), 'test_mask': tensor([False, False, False,  ..., False, False, False]), 'feat': tensor([[0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        ...,
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.],
        [0., 0., 0.,  ..., 0., 0., 0.]])}

feat表示节点特征。

同理有edata，这里不再详细讲解。

1.2 dgl.graph()

利用dgl.graph()方法构建同质图：

dgl.graph(data, ntype=None, etype=None, *, num_nodes=None, idtype=None, device=None, row_sorted=False , col_sorted=False, **deprecated_kwargs )

其中data的形式为(U, V)，表示边的两边节点集合；num_nodes表示节点数，如果没有给出，将使用data中的最大id+1，这可能会引发错误：

src_ids = torch.tensor([2, 3, 4])
# Destination nodes for edges (2, 1), (3, 2), (4, 3)
dst_ids = torch.tensor([1, 2, 3])
g = dgl.graph((src_ids, dst_ids))
print(g.num_nodes())

返回的节点数为5，如果给定num_nodes<=4，将引发错误。

1.3 dgl.heterograph()

dgl.heterograph( data_dict , num_nodes_dict=None , idtype=None , device=None )

具体例子：

data_dict = {
    ('user', 'follows', 'user'): (torch.tensor([0, 1]), torch.tensor([1, 2])),
    ('user', 'follows', 'topic'): (torch.tensor([1, 1]), torch.tensor([1, 2])),
    ('user', 'plays', 'game'): (torch.tensor([0, 3]), torch.tensor([3, 4]))
}
g = dgl.heterograph(data_dict)
print(g)

上图中，一共有user、topic和game三种类型的节点，他们有三种类型的关系，右边的数据表示边两边节点的索引。

此外，可以显式指定节点个数：

num_nodes_dict = {'user': 4, 'topic': 4, 'game': 6}
g = dgl.heterograph(data_dict, num_nodes_dict=num_nodes_dict)

这里一样指定数目不能小于边集合中的最小索引+1。