Task08 总结

Task08 总结

• 基本的图论知识、常规的图预测任务和PyG库的安装与使用：
    在这一任务中，推荐大家用mini-conda的集成环境，如果使用纯pip环境，所使用的系统需要是Linux或Mac。

• 实现图神经网络的通用范式，构建一个图神经网络：
    在这一任务中，主要了解MessagePassing基类的运行流程，建议通过断点调试的方式，掌握propagate()、message()、aggregate()和update()函数的调用顺序与相关功能。

• 基于图神经网络的节点表征：
    在这一任务中，主要学习GCN和GAT两个经典的图神经网络，并通过与MLP比较，得到共同点和区别（归一化方法）。

• 基于PyG的内存数据集构建和节点/边预测任务实践：
    在这一任务中，主要学习如何构建一个Data类，其中通过PlanetoidPubMed数据类，了解构建数据集的流程（下载、生成对象、执行数据处理、过滤对象、保存文件）；边预测任务主要思路是生成负样本，使得正负样本数量平衡，通过使用两层GCNConv神经网络进行边预测，了解边预测的流程。

• 超大图上的节点表征：
    在这一任务中，主要学习在超大图上的一种节点表征方法Cluster-GCN，了解基本步骤（分簇、近似邻接矩阵、簇采样并更新参数）、时间/空间复杂度和节点表征利用率。

• 基于图神经网络的图表征学习方法：
    在这一任务中，主要学习图同构网络(GIN)的基本思路（计算节点表征、图池化、线性变换），并了解WL Test的图同构测试方法基本步骤（迭代标签、散列标签、比较WL子树）、图相似性评估方法（WL Subtree Kernel方法：WL Test方法得多层标签、统计次数、向量表示、向量内积）。

• 图预测任务实践：
    在这一任务中，主要学习将图样本封装成batch和DataLoader类的方法，使用小图邻接矩阵存储在对角线，复写__inc__()和__cat_dim__()方法，实现节点序号增值和新维度拼接。

参考资料

[DataWhale开源资料](Datawhale/team-learning-nlp - Gitee)