【图神经网络基础】认识数据集--同质数据集PubMed

        PubMed 数据集是另一个广泛用于图神经网络（GNN）研究的基准数据集，主要用于节点分类任务。以下是关于 PubMed 数据集的详细介绍：

数据集概述

        PubMed 数据集由生物医学文献组成，每篇文献被视为一个节点，引用关系被视为边。该数据集包含三类糖尿病相关的论文，每个节点都带有特征向量和标签。数据集的主要任务是根据节点的特征和图结构对节点进行分类。

数据集组成

• 节点（Nodes）：

  • 数量：19,717
  • 代表：每个节点代表一篇生物医学文献。
  • 属性：每个节点有一个500维的浮点特征向量，表示该文献的内容。特征向量是由论文的词频-逆文档频率（TF-IDF）表示的。

• 边（Edges）：

  • 数量：44,338
  • 代表：每条边表示一篇文献对另一篇文献的引用关系。
  • 无向图：边是无向的，即引用关系被视为对称的。

• 标签（Labels）：

  • 类别数：3
  • 类别标签：每个节点（文献）属于一个类别，共有三类：
    1. Diabetes Mellitus, Experimental
    2. Diabetes Mellitus Type 1
    3. Diabetes Mellitus Type 2

数据集统计

• 节点数：19,717
• 边数：44,338
• 特征维度：500
• 类别数：3

数据表示

PubMed 数据集通常以图的形式表示，其中包含以下内容：

1. 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。

2. 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。

3. 标签矩阵（Label Matrix）：

   • 表示：每个节点的类别标签。

使用场景

PubMed 数据集主要用于以下研究场景：

1. 节点分类（Node Classification）：

   • 目标：基于节点的特征和图结构，预测节点的类别标签。
   • 常用模型：GCN（Graph Convolutional Network）、GAT（Graph Attention Network）等。

2. 图嵌入（Graph Embedding）：

   • 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（Evaluation of GNN Models）：

   • 评估各种 GNN 模型的性能。

常用处理步骤

1. 读取特征矩阵、邻接矩阵和标签。
2. 对特征进行标准化处理。
3. 划分训练集、验证集和测试集。
4. 构建 GNN 模型。
5. 使用训练集进行模型训练，并在验证集上调参。
6. 在测试集上评估模型性能。
7. 使用准确率（Accuracy）、精确率（Precision）、召回率（Recall）等指标进行评估。

示例代码

以下是一个使用 PyTorch Geometric 进行节点分类的简单示例，使用 PubMed 数据集：

import torch
import torch.nn.functional as F
from torch_geometric.datasets import Planetoid
import torch_geometric.transforms as T
from torch_geometric.nn import GCNConv

# 加载 PubMed 数据集
dataset = Planetoid(root='/tmp/PubMed', name='PubMed', transform=T.NormalizeFeatures())

class GCN(torch.nn.Module):
    def __init__(self):
        super(GCN, self).__init__()
        self.conv1 = GCNConv(dataset.num_features, 16)
        self.conv2 = GCNConv(16, dataset.num_classes)

    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)

# 初始化模型、优化器和损失函数
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = GCN().to(device)
data = dataset[0].to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01, weight_decay=5e-4)

# 训练模型
def train():
    model.train()
    optimizer.zero_grad()
    out = model(data)
    loss = F.nll_loss(out[data.train_mask], data.y[data.train_mask])
    loss.backward()
    optimizer.step()

# 测试模型
def test():
    model.eval()
    _, pred = model(data).max(dim=1)
    correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item())
    acc = correct / int(data.test_mask.sum())
    return acc

for epoch in range(200):
    train()
    acc = test()
    print(f'Epoch {epoch}: Accuracy: {acc:.4f}')

        这个示例展示了如何使用 PyTorch Geometric 加载 PubMed 数据集，并训练一个简单的图卷积网络（GCN）进行节点分类。

参考文献

        PubMed 数据集广泛用于各种图神经网络的研究和评估，是图数据分析领域的重要资源。

PubMed数据集_数据集-飞桨AI Studio星河社区PubMed 是一个提供生物医学方面的论文搜寻以及摘要，并且免费搜寻的数据库。它的数据库来源为MEDLINE。其核心主题为医学，但亦包括其他与医学相关的领域，像是护理学或者其他健康学科。https://aistudio.baidu.com/datasetdetail/177591

图网络常用数据集总结——Cora, CiteSeer, PubMed, PPI, BlogCatalog, Yelp_pubmed数据集-CSDN博客文章浏览阅读1.9w次，点赞19次，收藏80次。Cora数据集(引文网络)由机器学习论文组成，是近年来图深度学习很喜欢使用的数据集。该数据集共2708个样本点，每个样本点都是一篇科学论文，所有样本点被分为8个类别，类别分别是：1）基于案例；2）遗传算法；3）神经网络；4）概率方法；5）强化学习；6）规则学习；7）理论每篇论文都由一个1433维的词向量表示，所以，每个样本点具有1433个特征。词向量的每个元素都对应一个词，且该元素只有0或1两个取值。取0表示该元素对应的词不在论文中，取1表示在论文中。所有的词来源于一个具有1433个词的字典。每篇论文_pubmed数据集https://blog.csdn.net/weixin_43580130/article/details/116449062

完结撒花

        那个奶奶怎么一直坐在门口啊？