【图神经网络基础】认识数据集--同质数据集CiteSeer

        CiteSeer 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，特别是用于节点分类任务。以下是关于 CiteSeer 数据集的详细介绍：

数据集概述

        CiteSeer 数据集由学术论文组成，每篇论文被视为一个节点，引用关系被视为边。该数据集包含六个类别的论文，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：3,327
  • 代表：每个节点代表一篇学术论文。
  • 属性：每个节点有一个3703维的二进制特征向量，表示该论文的内容。特征向量采用词袋模型（Bag of Words）表示，即每个特征维度对应一个词汇表中的词，值为1表示该词在论文中出现，为0表示未出现。

• 边（Edges）：

  • 数量：4,732
  • 代表：每条边表示一篇论文对另一篇论文的引用关系。
  • 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：6
  • 类别标签：每个节点（论文）属于一个类别，共有六类：
    1. Agents
    2. Artificial Intelligence
    3. Database
    4. Information Retrieval
    5. Machine Learning
    6. Human-Computer Interaction

数据集统计

• 节点数：3,327
• 边数：4,732
• 特征维度：3,703
• 类别数：6

数据表示

CiteSeer 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

CiteSeer 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 CiteSeer 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 CiteSeer 数据集
dataset = Planetoid(root='/tmp/CiteSeer', name='CiteSeer', 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 CiteSeer 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

        CiteSeer 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。它最早由 Giles, Bollacker 和 Lawrence 在他们的论文 "CiteSeer: An Automatic Citation Indexing System" 中提出，并且现在被广泛应用于图神经网络的研究中。

• https://clgiles.ist.psu.edu/papers/DL-1998-citeseer.pdfhttps://clgiles.ist.psu.edu/papers/DL-1998-citeseer.pdf
• CiteSeer数据集_数据集-飞桨AI Studio星河社区CiteSeer(又名ResearchIndex)，是NEC研究院在自动引文索引(Autonomous Citation Indexing, ACI)机制的基础上建设的一个学术论文数字图书馆。这个引文索引系统提供了一种通过引文链接的检索文献的方式，目标是从多个方面促进学术文献的传播和反馈。https://aistudio.baidu.com/datasetdetail/177589

 完结撒花

        回家吧，回到最初的美好。