图神经网络实战——利用节点回归预测网络流量

0. 前言

在机器学习中，回归指的是对连续值的预测。通常与分类形成鲜明对比，分类的目标是找到正确的类别(即离散值，而非连续值)。在图数据中，分类和回归分别对应于节点分类和节点回归。在本节中，我们将尝试预测每个节点的连续值，而非分类变量。

1. 数据集分析

为了利用节点回归预测网络流量，在本节中，我们将使用 Wikipedia Network 数据集，Wikipedia Network 数据集由 Rozemberckzi 等人于 2019 年引入。它由三个页面网络组成：chameleons (包含 2277 个节点和 31421 条边)、crocodiles (包含 11631 个节点和 170918 条边)和 squirrels (包含 5201 个节点和 198493 条边)。在这些数据集中，节点代表文章，边代表文章之间的相互链接，节点特征反映了文章中包含的特定词语，我们的目标是预测 2018 年 12 月的平均流量的对数。
在本节中，我们将在 chameleon 数据集上应用图卷积网络 (Graph Convolutional Network, GCN) 来预测网络流量。

(1)