SEAL_OGB 开源项目教程

最新推荐文章于 2024-09-12 08:57:24 发布

平奇群Derek

最新推荐文章于 2024-09-12 08:57:24 发布

阅读量359

点赞数 4

本文链接：https://blog.csdn.net/gitblog_00069/article/details/136799343

版权

GAEBoilerplate是一个基于GoogleAppEngine的Python应用模板，提供Flask、Jinja2等库和功能，帮助开发者快速构建web应用，支持用户认证、数据库、部署和社区支持。

摘要由CSDN通过智能技术生成

SEAL_OGB 开源项目教程

SEAL_OGB An open-source implementation of SEAL for link prediction in open graph benchmark (OGB) datasets. 项目地址: https://gitcode.com/gh_mirrors/se/SEAL_OGB

1. 项目介绍

SEAL_OGB 是一个开源的图神经网络（GNN）链接预测方法的实现，专门用于 Open Graph Benchmark (OGB) 数据集。该项目由 Facebook AI Research 开发，旨在提供一个高效的工具来处理大规模图数据中的链接预测任务。

SEAL（Subgraph Extraction and Learning）方法通过提取每个目标链接的 k-hop 封闭子图，并应用一种名为 Double Radius Node Labeling (DRNL) 的标签技巧，为每个节点分配一个整数标签作为其附加特征。这些标记的封闭子图随后被输入到图神经网络中，以预测链接的存在。

SEAL_OGB 在 OGB 排行榜上表现优异，在多个链接预测数据集上排名第一。此外，它还支持类似 Planetoid 的数据集，如 Cora、CiteSeer 和 PubMed。

2. 项目快速启动

2.1 环境准备

首先，确保你的环境中安装了以下依赖：

Python 3.8.5
PyTorch 1.6.0
PyTorch_Geometric 1.6.1
OGB 1.2.4

你可以通过以下命令安装这些依赖：

pip install torch==1.6.0
pip install torch-geometric==1.6.1
pip install ogb==1.2.4

2.2 克隆项目

使用 Git 克隆 SEAL_OGB 项目到本地：

git clone https://github.com/facebookresearch/SEAL_OGB.git
cd SEAL_OGB

2.3 运行示例

以下是一个简单的示例，展示如何使用 SEAL_OGB 进行链接预测：

python seal_link_pred.py --dataset ogbl-ppa --num_hops 1 --use_feature --use_edge_weight --eval_steps 5 --epochs 20 --dynamic_train --dynamic_val --dynamic_test --train_percent 5

这个命令将在 ogbl-ppa 数据集上运行 SEAL 方法，提取 1-hop 子图，并使用特征和边权重进行训练。

3. 应用案例和最佳实践

3.1 数据集支持

SEAL_OGB 支持多种数据集，包括 OGB 官方数据集和类似 Planetoid 的数据集。以下是一些常见的数据集及其使用方法：

ogbl-ppa: 蛋白质关联数据集
ogbl-collab: 合作网络数据集
ogbl-ddi: 药物-药物相互作用数据集
Cora: 引文网络数据集
CiteSeer: 引文网络数据集
PubMed: 引文网络数据集

3.2 最佳实践

超参数调优: 在 ogbl-collab 数据集上，建议先在不使用 --use_valedges_as_input 的情况下调优超参数，然后在最终命令中添加该选项。
动态子图提取: 使用 --dynamic_train、--dynamic_val 和 --dynamic_test 选项可以在训练、验证和测试过程中动态提取子图，节省存储空间。
多模型评估: 对于 ogbl-citation2 数据集，建议先训练多个模型，然后使用 --test_multiple_models 选项一次性评估所有模型，以提高效率。