一篇文章看懂Homogeneous Graph与Heterogeneous Graph，以及如何通过DGL定义数据与模型 进行Batch训练

提供图训练的小知识

在一张图进行训练时， 可能由于层数的增加，使得结点可以充分汇聚到其他结点的信息。
layer0： 直接连接的信息被汇聚。
layer1： 间接连接的结点被汇聚。
layer2： …

Homogeneous Graph与Heterogeneous Graph的区别

1. Homogeneous Graph（同构图）

同构图是指所有节点和边都是同质的，即节点之间的连接方式相同，边的类型相同。在同构图中，所有节点和边都属于同一种类型。例如，社交网络中的好友关系图就是一个同构图，其中所有节点都代表用户，边代表用户之间的好友关系。
在 DGL 中，使用 dgl.graph() 函数可以创建同构图。同构图的创建可以直接从节点和边的张量数据中构建，所有的节点和边都具有相同的类型。

2. Heterogeneous Graph（异构图）

异构图是指节点和边可以有不同的类型，节点之间的连接方式和边的类型可以不同。在异构图中，节点和边可以代表不同的实体或关系，具有多样性。例如，电子商务网站中的商品-用户-类别三元关系图就是一个异构图，其中节点分为商品、用户和类别三种类型，边代表商品与用户之间的购买关系以及商品与类别之间的归属关系。
在 DGL 中，使用 dgl.heterograph() 函数可以创建异构图。异构图的创建需要指定不同类型的节点和边，以及它们之间的连接关系。

在DGL(Deep Graph Library) 定义 同构图

1. 初始化图数据

初始化数据

import dgl
import torch


# 初始化图列表
graph_list = []

# 构建每组对话的图
for _ in range(batchsize):

    # 假设每组对话有5个句子
    num_sentences = 5
    sentence_features = torch.randn(num_sentences, 768)  # 句子级特征

    # 添加句子级节点
    g.add_nodes(num_sentences, {'sentence_feat': sentence_features})
    g.add_edges([xxxx], [xxxx])  # 添加结点 （[起始结点],[终端结点]）

    
    # 将图添加到图列表中
    graph_list.append(g)

# 批次化图
batched_graph = dgl.batch(graph_list)

2. 定义同构图GCN

import dgl
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader

# 定义一个简单的GCN模型
class GCN(nn.Module):
    def __init__(self, in_feats, hidden_size, out_feats):
        super(GCN, self).__init__()
        self.conv1 = dgl.nn.GraphConv(in_feats, hidden_size)
        self.conv2 = dgl.nn.GraphConv(hidden_size, out_feats)

    def forward(self, g, features):
        x = torch.relu(self.conv1(g, features))
        x = self.conv2(g, x)
        return x

在DGL(Deep Graph Library) 定义 异构图

1. 初始化图数据

初始化数据

import dgl
import torch


# 初始化一个空的异构图列表
hetero_graph_list = []

# 遍历每组对话数据，构建异构图
for _ in range(batchsize):
    # 初始化一个异构图对象 ([xxx], [xxx] 表示 起始结点)
    g = dgl.heterograph({
        ('结点类型1', '关系', '结点类型2'): ([xxx], [xxx]),
        ('结点类型1', '关系', '结点类型3'): ([xxx], [xxx]),
        ('结点类型2', '关系', '结点类型3'): ([xxx], [xxx]),
    })

    # 添加节点特征
    g.nodes['结点类型1'].data['feat'] = 结点类型1特征
    g.nodes['结点类型2'].data['feat'] = 结点类型2特征
    g.nodes['结点类型3'].data['feat'] = 结点类型3特征

    # 将图对象添加到异构图列表中
    hetero_graph_list.append(g)

# 使用 dgl.batch_hetero() 函数将异构图列表批次化
batched_hetero_graph = dgl.batch_hetero(hetero_graph_list)

2. 定义异构图网络结构

import dgl
import torch
import torch.nn as nn
import torch.nn.functional as F

class HeteroGCN(nn.Module):
    def __init__(self, in_feats, hidden_feats, out_feats):
        super(HeteroGCN, self).__init__()
        # 定义每种节点类型的图卷积层
        self.conv1 = dgl.nn.HeteroGraphConv({
            '结点类型1': dgl.nn.GraphConv(in_feats['结点类型1'], hidden_feats),
            '结点类型2': dgl.nn.GraphConv(in_feats['结点类型2'], hidden_feats),
            '结点类型3': dgl.nn.GraphConv(in_feats['结点类型3'], hidden_feats)
        })
        self.conv2 = dgl.nn.HeteroGraphConv({
            '结点类型1': dgl.nn.GraphConv(hidden_feats, out_feats),
            '结点类型2': dgl.nn.GraphConv(hidden_feats, out_feats),
            '结点类型3': dgl.nn.GraphConv(hidden_feats, out_feats)
        })

    def forward(self, g, node_features):
        # 执行第一层异构图卷积
        h = self.conv1(g, node_features)
        # 应用激活函数
        h = {k: F.relu(h[k]) for k in h.keys()}
        # 执行第二层异构图卷积
        h = self.conv2(g, h)
        return h