KGCN---pytorch代码（2）---aggregator

最新推荐文章于 2024-05-16 09:30:00 发布

努力马斯克

最新推荐文章于 2024-05-16 09:30:00 发布

阅读量384

点赞数 3

分类专栏：程序员文章标签： python 学习面试

本文链接：https://blog.csdn.net/m0_60452293/article/details/138913635

版权

程序员专栏收录该内容

199 篇文章 0 订阅

订阅专栏

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

代码：

import torch
import torch.nn.functional as F


class Aggregator(torch.nn.Module):
    '''
    Aggregator class
    Mode in ['sum', 'concat', 'neighbor']
    '''
    #最后一个 neighbor 的聚合器直接就是利用邻域表示来代替 v 结点的表示
    def __init__(self, batch_size, dim, aggregator):
        super(Aggregator, self).__init__()
        self.batch_size = batch_size       #输入样本的批量大小
        self.dim = dim          #向量的维度
        #根据 aggregator 的值初始化不同的权重。如果是 'concat'，则使用一个线性变换将维度从 2 * dim 减少到 dim；否则，使用维度为 dim 到 dim 的线性变换。
        if aggregator == 'concat':
            self.weights = torch.nn.Linear(2 * dim, dim, bias=True)
        else:
            self.weights = torch.nn.Linear(dim, dim, bias=True)
        self.aggregator = aggregator
        
    def forward(self, self_vectors, neighbor_vectors, neighbor_relations, user_embeddings, act):
        #当前节点的向量（self_vectors），邻居节点的向量（neighbor_vectors），邻居关系（neighbor_relations），以及用户嵌入（user_embeddings），act（激活函数
        batch_size = user_embeddings.size(0)    #获取当前批次的大小
        if batch_size != self.batch_size:
            self.batch_size = batch_size    #如果不同，它会更新 batch_size 属性以反映这一变化。这确保了模型可以灵活地处理不同批量大小的输入。
        neighbors_agg = self._mix_neighbor_vectors(neighbor_vectors, neighbor_relations, user_embeddings)  #聚合邻居节点的信息
        #结合了邻居向量、邻居关系和用户嵌入，生成一个聚合后的邻居向量（neighbors_agg）

        if self.aggregator == 'sum':    #将当前节点的向量（self_vectors）与聚合后的邻居向量（neighbors_agg）相加，然后调整形状以符合维度要求
            output = (self_vectors + neighbors_agg).view((-1, self.dim))
            
        elif self.aggregator == 'concat':  #则将当前节点的向量和聚合后的邻居向量沿最后一个维度（dim=-1）拼接起来，之后再调整形状以确保向量的维度是 2 * self.dim
            output = torch.cat((self_vectors, neighbors_agg), dim=-1)
            output = output.view((-1, 2 * self.dim))
            
        else:   #直接使用聚合后的邻居向量，调整其形状以符合维度要求
            output = neighbors_agg.view((-1, self.dim))  #自动计算新形状的第一个维度的大小，以便总的元素数量与原始张量相匹配
            
        output = self.weights(output)     #通过在初始化时定义的线性层（self.weights）对输出向量进行变换
        return act(output.view((self.batch_size, -1, self.dim)))  #使用传入的激活函数（act）对线性变换后的输出进行处理，并调整形状，使其符合 (batch_size, -1, self.dim) 的格式。
        
    def _mix_neighbor_vectors(self, neighbor_vectors, neighbor_relations, user_embeddings):
        '''
        This aims to aggregate neighbor vectors
        '''
        # [batch_size, 1, dim] -> [batch_size, 1, 1, dim]    #将 user_embeddings 的形状从 [batch_size, 1, dim] 调整为 [batch_size, 1, 1, dim]
        user_embeddings = user_embeddings.view((self.batch_size, 1, 1, self.dim))
        
        # [batch_size, -1, n_neighbor, dim] -> [batch_size, -1, n_neighbor]
        #通过将 user_embeddings 与 neighbor_relations 相乘并沿着最后一个维度（dim = -1）求和，计算每个邻居对当前用户的关系得分。结果是一个形状为 [batch_size, -1, n_neighbor] 的张量，表示每个邻居对当前节点的重要性得分
        user_relation_scores = (user_embeddings * neighbor_relations).sum(dim = -1)
        user_relation_scores_normalized = F.softmax(user_relation_scores, dim = -1)
        
        # [batch_size, -1, n_neighbor] -> [batch_size, -1, n_neighbor, 1]
        #在得分张量的最后添加一个维度，将其形状从 [batch_size, -1, n_neighbor] 调整为 [batch_size, -1, n_neighbor, 1]
        user_relation_scores_normalized = user_relation_scores_normalized.unsqueeze(dim = -1)
    
        
        # [batch_size, -1, n_neighbor, 1] * [batch_size, -1, n_neighbor, dim] -> [batch_size, -1, dim]
        #将标准化后的关系得分与邻居向量进行元素级乘法，然后沿第二个维度（dim = 2，即 n_neighbor 维度）求和。这个操作实际上是对每个节点的所有邻居向量进行加权平均，权重由邻居的重要性得分确定。
        neighbors_aggregated = (user_relation_scores_normalized * neighbor_vectors).sum(dim = 2)
        
        return neighbors_aggregated