【图神经网络基础】认识数据集--异质数据集Texas

        Texas 数据集是图神经网络（GNN）研究中经常使用的基准数据集之一。它源自美国德克萨斯大学的网页链接数据，包含网页和它们之间的超链接关系。该数据集特别用于节点分类任务，即根据网页内容和链接结构对网页进行分类。

数据集概述

1. 节点（Webpages）：

   • 每个节点代表一个网页。
   • 每个网页有一个特征向量，通常是词袋模型（Bag of Words）表示的网页内容。

2. 边（Hyperlinks）：

   • 每条边表示一个网页到另一个网页的超链接。
   • 边是有向的，即超链接有方向性。

3. 标签（Labels）：

   • 每个网页被标注为5个类别之一。

数据集统计

• 节点数：183
• 边数：295
• 特征维度：1703
• 类别数：5

数据表示

特征矩阵（Feature Matrix）：表示节点特征，其中每行对应一个节点的特征向量。

邻接矩阵（Adjacency Matrix）：表示图的结构，其中 A[i,j]=1 表示节点 i 和节点 j 之间有边， A[i,j]=0 表示无边。

使用场景

Texas 数据集主要用于以下研究场景：

1. 节点分类：根据网页的内容和链接关系，预测网页的类别。
2. 图嵌入：将节点嵌入到低维向量空间中，以便在嵌入空间中进行分类、聚类等任务。
3. 图神经网络模型评估：评估各种 GNN 模型的性能，如 GCN（Graph Convolutional Network）、GAT（Graph Attention Network）等。

常用处理步骤

1. 数据预处理：

   • 读取特征矩阵、邻接矩阵和标签。
   • 对特征进行标准化处理。
   • 划分训练集、验证集和测试集。

2. 模型训练：

   • 构建 GNN 模型。
   • 使用训练集进行模型训练，并在验证集上调参。

3. 模型评估：

   • 在测试集上评估模型性能。
   • 使用准确率（Accuracy）、精确率（Precision）、召回率（Recall）等指标进行评估。

实验和性能

        在使用 Texas 数据集进行实验时，研究人员通常会比较不同 GNN 模型在节点分类任务上的性能。常见的评估指标包括准确率（Accuracy）、宏观 F1 值（Macro F1-score）等。通过这些指标，可以评估模型在处理小规模图数据集上的表现。

参考文献

• http://eliassi.org/papers/ai-mag-tr08.pdfhttp://eliassi.org/papers/ai-mag-tr08.pdf
• Texas (48%/32%/20% fixed splits) Dataset | Papers With CodeNode classification on Texas with the fixed 48%/32%/20% splits provided by Geom-GCN.https://paperswithcode.com/dataset/texas-48-32-20-fixed-splits

结论

        “万一呢？”

        “啥万一呢？”

        “碰到个傻子！”