GraphSHA 开源项目使用教程

GraphSHA 开源项目使用教程

GraphSHA 项目地址: https://gitcode.com/gh_mirrors/gr/GraphSHA

1. 项目介绍

GraphSHA 是一个用于处理类不平衡节点分类问题的开源项目。该项目在 KDD'23 会议上发表，旨在通过合成更难的样本（Harder Samples）来扩大少数类（Minor Classes）的决策边界，从而提高图神经网络（GNN）在类不平衡节点分类任务中的表现。

GraphSHA 的核心思想是通过合成更难的样本，使得少数类的决策边界得到扩展，同时避免这些扩展边界侵入相邻类的子空间。项目中还引入了一个名为 SemiMixup 的模块，用于在扩展少数类边界的同时，阻止信息从少数类传播到相邻类。

2. 项目快速启动

环境要求

GraphSHA 项目已经在以下环境中进行了测试：

• Python == 3.8.13
• PyTorch == 1.11.0
• PyTorch Geometric == 2.0.4

请确保按照官方指南安装 PyTorch 和 PyTorch Geometric。

安装步骤

1. 克隆项目仓库：

   git clone https://github.com/wenzhilics/GraphSHA.git
   cd GraphSHA
   

2. 安装依赖项：

   pip install -r requirements.txt
   

运行示例

以下是一个简单的运行示例，使用 Cora 数据集进行类不平衡节点分类：

python main.py --dataset Cora --data_path dataset/ --imb_ratio 100 --net GCN --gdc ppr

主要参数说明

• --dataset: 数据集名称，可选值包括 ['Cora', 'CiteSeer', 'PubMed', 'Amazon-Photo', 'Amazon-Computers', 'Coauthor-CS']。
• --data_path: 数据集路径，数据集将自动下载到该路径。
• --imb_ratio: 不平衡比率。
• --net: GNN 骨干网络，可选值包括 ['GCN', 'GAT', 'SAGE']。
• --gdc: 获取加权图的方式，可选值包括 ['ppr', 'hk', 'none']。

3. 应用案例和最佳实践

应用案例

GraphSHA 适用于处理类不平衡的节点分类问题，特别是在以下场景中表现出色：

• 社交网络分析
• 推荐系统
• 生物信息学

最佳实践

1. 数据预处理：确保数据集的类不平衡问题显著，以便 GraphSHA 能够有效发挥作用。
2. 参数调优：根据具体数据集和任务需求，调整 --imb_ratio 和 --net 等参数，以获得最佳性能。
3. 模型评估：使用交叉验证等方法评估模型性能，确保模型在不同数据集上的泛化能力。

4. 典型生态项目

GraphSHA 作为一个专注于类不平衡节点分类的工具，可以与以下开源项目结合使用，以构建更强大的图神经网络应用：

1. PyTorch Geometric：用于图神经网络的 PyTorch 扩展库，提供了丰富的图数据处理和 GNN 模型。
2. DGL (Deep Graph Library)：另一个强大的图神经网络库，支持多种图神经网络模型和算法。
3. NetworkX：用于复杂网络分析的 Python 库，可以用于图数据的预处理和可视化。

通过结合这些生态项目，可以进一步提升 GraphSHA 在实际应用中的表现和灵活性。

GraphSHA 项目地址: https://gitcode.com/gh_mirrors/gr/GraphSHA