task05 超大图上的节点表征学习

这篇博客介绍了Cluster-GCN方法,它针对超大图节点表征学习的问题,如邻域扩展、簇熵值和深层训练。Cluster-GCN通过节点聚类和局部邻域采样减少计算复杂度,解决了传统方法的指数级邻域扩展问题。文章还展示了如何使用PyG库实现该算法,并提供了训练和测试代码。实验结果显示,调整簇的数量对模型性能有影响。
摘要由CSDN通过智能技术生成

引言

当硬件条件不能满足数据实验的要求时,用在超大图上的节点表征学习方法实现。所以具备十分实用的价值。

Cluster-GCN方法

基本概念

节点表征公式如下:
z ( l + 1 ) = A ′ X ( l ) W ( l ) z^{(l+1)}=A^{'}X^{(l)}W^{(l)} z(l+1)=AX(l)W(l) X ( l + 1 ) = σ ( z ( l + 1 ) ) X^{(l+1)}=\sigma(z^{(l+1)}) X(l+1)=σ(z(l+1))
从节点表征的公式来看,只有从X上面入手减小传播的大小即可。

算法过程

在这里插入图片描述

  1. 利用图节点聚类算法将一个图的节点划分为 c个簇,每一次选择几个簇的节点和这些节点对应的边构成一个子图,然后对子图做训练。
  2. 每一次随机选择多个簇来组成一个batch训练。

超大图存在的问题:邻域扩展问题

在这里插入图片描述
过去的方法和Cluster-GCN方法之间的邻域扩展差异。红 色节点是邻域扩展的起始节点。过去的方法需要做指数级的邻域扩展(图左),而Cluster-GCN的方法可以避免巨大范围的邻域扩展(图右)。

超大图存在的问题:簇熵值问题

在这里插入图片描述
簇熵值小表明簇中节点的标签分布偏向于某一些类别,这意味着不同簇的标签分布有较大的差异,这将影响训练的收敛。由上图可知:与随机划分相比,采用聚类划分得到的大多数簇熵值都很小。

因此Cluster-GCN提出了一种随机多簇方法,即一个batch训练多个簇。

超大图存在的问题:训练深层问题

一般采取残差的方法。Cluster-GCN基于近距离的邻 接节点应该比远距离的的邻接节点贡献更大提出来另外一种策略。放大GCN每一层中使用的邻接矩阵A的对角线部分。即如下公式:

A ( l + 1 ) = σ ( ( A − + λ d i a g ( A − X ( l ) W ( l ) ) ) ) A^{(l+1)} = \sigma(({\overset{-}{A} }+\lambda diag({\overset{-}{A} }X^{(l)}W^{(l)}))) A(l+1)=σ((A+λdiag(AX(l)W(l))))

代码部分

PyG已经集成了现成的函数,只需要调用即可。

ClusterData和ClusterLoader

cluster_data = ClusterData(data, num_parts=1500, recursive=False,
                           save_dir=dataset.processed_dir)
train_loader = ClusterLoader(cluster_data, batch_size=20, shuffle=True,
                             num_workers=0)

subgraph_loader = NeighborSampler(data.edge_index, sizes=[-1], batch_size=64,
                                  shuffle=False, num_workers=0)

整体实验代码

import torch
import torch.nn.functional as F
from torch.nn import ModuleList
from tqdm import tqdm
from torch_geometric.datasets import Reddit, Reddit2
from torch_geometric.data import ClusterData, ClusterLoader, NeighborSampler
from torch_geometric.nn import SAGEConv

# 需要下载 https://data.dgl.ai/dataset/reddit.zip 到 data/Reddit 文件夹下
dataset = Reddit('data/Reddit')
# dataset = Reddit2('data/Reddit2')
data = dataset[0]

cluster_data = ClusterData(data, num_parts=1500, recursive=False,
                           save_dir=dataset.processed_dir)
train_loader = ClusterLoader(cluster_data, batch_size=20, shuffle=True,
                             num_workers=0)

subgraph_loader = NeighborSampler(data.edge_index, sizes=[-1], batch_size=64,
                                  shuffle=False, num_workers=0)


class Net(torch.nn.Module):
    def __init__(self, in_channels, out_channels):
        super(Net, self).__init__()
        self.convs = ModuleList(
            [SAGEConv(in_channels, 128),
             SAGEConv(128, out_channels)])

    def forward(self, x, edge_index):
        for i, conv in enumerate(self.convs):
            x = conv(x, edge_index)
            if i != len(self.convs) - 1:
                x = F.relu(x)
                x = F.dropout(x, p=0.5, training=self.training)
        return F.log_softmax(x, dim=-1)

    def inference(self, x_all):
        pbar = tqdm(total=x_all.size(0) * len(self.convs))
        pbar.set_description('Evaluating')

        # Compute representations of nodes layer by layer, using *all*
        # available edges. This leads to faster computation in contrast to
        # immediately computing the final representations of each batch.
        for i, conv in enumerate(self.convs):
            xs = []
            for batch_size, n_id, adj in subgraph_loader:
                edge_index, _, size = adj.to(device)
                x = x_all[n_id].to(device)
                x_target = x[:size[1]]
                x = conv((x, x_target), edge_index)
                if i != len(self.convs) - 1:
                    x = F.relu(x)
                xs.append(x.cpu())

                pbar.update(batch_size)

            x_all = torch.cat(xs, dim=0)

        pbar.close()

        return x_all


device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = Net(dataset.num_features, dataset.num_classes).to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=0.005)


def train():
    model.train()

    total_loss = total_nodes = 0
    for batch in train_loader:
        batch = batch.to(device)
        optimizer.zero_grad()
        out = model(batch.x, batch.edge_index)
        loss = F.nll_loss(out[batch.train_mask], batch.y[batch.train_mask])
        loss.backward()
        optimizer.step()

        nodes = batch.train_mask.sum().item()
        total_loss += loss.item() * nodes
        total_nodes += nodes

    return total_loss / total_nodes


@torch.no_grad()
def test():  # Inference should be performed on the full graph.
    model.eval()

    out = model.inference(data.x)
    y_pred = out.argmax(dim=-1)

    accs = []
    for mask in [data.train_mask, data.val_mask, data.test_mask]:
        correct = y_pred[mask].eq(data.y[mask]).sum().item()
        accs.append(correct / mask.sum().item())
    return accs


for epoch in range(1, 31):
    loss = train()
    if epoch % 5 == 0:
        train_acc, val_acc, test_acc = test()
        print(f'Epoch: {epoch:02d}, Loss: {loss:.4f}, Train: {train_acc:.4f}, '
              f'Val: {val_acc:.4f}, test: {test_acc:.4f}')
    else:
        print(f'Epoch: {epoch:02d}, Loss: {loss:.4f}')

作业

尝试将数据集切分成不同数量的簇进行实验,然后观察结果并进行比较。

选择ppi数据集。实验结果如下表。

num_parts=50num_parts=100
test0.98230.9574

参考文献

[1] https://github.com/datawhalechina/team-learning-nlp
[2] https://pytorch-geometric.readthedocs.io/en/latest/
[3] Cluster-GCN: An Efficient Algorithm for Training Deep and Large Graph Convolutional Networks

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值