vincent_duan的专栏

链路预测是网络科学里面的一个经典任务，其目的是利用当前已获取的网络数据（包含结构信息和属性信息）来预测网络中会出现哪些新的连边。本文计划利用networkx包中的网络来进行链路预测，因为目前PyTorch Geometric包中封装的网络还不够多，而很多网络方便用networkx包生成或者处理。环境配置首先，安装一个工具包，DeepSNAP。这个包提供了networkx到PyTorch Geometric的接口，可以方便地将networkx中的网络转换成PyTorch Geometric所要求的数据格

节点预测与边预测任务实践引言在此小节我们将利用在上一小节6-1-数据完整存于内存的数据集类中构造的PlanetoidPubMed数据集类，来实践节点预测与边预测任务。注：边预测任务实践中的代码来源于link_pred.py。节点预测任务实践之前我们学习过由2层GATConv组成的图神经网络，现在我们重定义一个GAT图神经网络，使其能够通过参数来定义GATConv的层数，以及每一层GATConv的out_channels。我们的图神经网络定义如下：class GAT(torch.nn.Module

本文主要是介绍如何用PyTorch Geometric快速实现Node2Vec节点分类，并对其结果进行可视化。整个过程包含四个步骤：导入图数据（这里以Cora为例）创建Node2Vec模型训练和测试数据TSNE降维后可视化Node2vec方法的参数如下：edge_index (LongTensor)：邻接矩阵embedding_dim (int)：每个节点的embedding维度walk_length (int)：步长context_size (int)：正采样时的窗口大小wal

Cora数据集PyG包含有大量的基准数据集。初始化数据集非常简单，数据集初始化会自动下载原始数据文件，并且会将它们处理成Data格式。如下图所示，Cora数据集中只有一个图，该图包含2708个节点，10556条边，节点类别数为7，特征维度为1433。并且默认已经对数据集进行了划分，分为了训练集、验证集和测试集。然后看看节点特征和标签。x为节点特征矩阵，维度为2708*1433。y为节点标签向量，维度为2708，类别为7。用GCN进行半监督节点分类接下来就可以构建一个简单的GCN模型，在Co

上面通过torch_geometric自带的方式创建了一个图，本节使用networkx包来创建一个图，代码如下：首先利用networkx创建edge数据：import numpy as npimport networkx as nximport matplotlib.pyplot as pltG = nx.Graph()edgelist = [(0,1),(0,2),(0,3),(1,3)]G.add_edges_from(edgelist)fig = plt.figure()ax =

在PyG中通过torch_geometric.data.Data创建一个简单的图，具有如下属性：data.x：节点的特征矩阵，shape： [num_nodes, num_node_features]data.edge_index：边的矩阵，shape：[2, num_edges]data.edge_attr：边的属性矩阵，shape：[num_edges, num_edges_features]data.y：节点的分类任务shape：[num_nodes, *]，图分类任务shape:[1, *

首先在https://pytorch-geometric.com/whl/查看对应版本的whl文件，然后下载，如下图所示将whl文件下载到电脑上，使用pip进行安装，过程如下：最后使用pip install torch-geometric命令安装即可，下面展示部分截图：......