【数据集介绍】Cora数据集介绍

简介

  在做深度学习任务时，刚入手一个模型用到的一般是经典数据集。而且在模型中都集成好了，不需要做过多的处理。但是，在使用模型跑自己数据集时候，我们就必须了解模型的输入输出是什么。因此，对标准数据集是啥样的必须要掌握。在这里介绍一个Cora引文数据集：
  Cora数据集包含2708篇科学出版物， 5429条边，总共7种类别。数据集中的每个出版物都由一个 0/1 值的词向量描述，表示字典中相应词的缺失/存在。 该词典由 1433 个独特的词组成。意思就是说每一个出版物都由1433个特征构成，每个特征仅由0/1表示。

数据集说明

这个数据集是经过预处理的：

1. 数据集来源： Revisiting Semi-Supervised Learning with Graph Embeddings
2. github下载地址： planetoid
3. 原始版本下载：http://www.cs.umd.edu/~sen/lbc-proj/LBC.html

数据集内容

数据集包含以下文件：

• ind.cora.x : 训练集节点特征向量，保存对象为：scipy.sparse.csr.csr_matrix，实际展开后大小为： (140, 1433)

• ind.cora.tx : 测试集节点特征向量，保存对象为：scipy.sparse.csr.csr_matrix，实际展开后大小为： (1000, 1433)

• ind.cora.allx : 包含有标签和无标签的训练节点特征向量，保存对象为：scipy.sparse.csr.csr_matrix，实际展开后大小为：(1708, 1433)，可以理解为除测试集以外的其他节点特征集合，训练集是它的子集

• ind.cora.y : one-hot表示的训练节点的标签，保存对象为：numpy.ndarray

• ind.cora.ty : one-hot表示的测试节点的标签，保存对象为：numpy.ndarray

• ind.cora.ally : one-hot表示的ind.cora.allx对应的标签，保存对象为：numpy.ndarray

• ind.cora.graph : 保存节点之间边的信息，保存格式为：{ index : [ index_of_neighbor_nodes ] }

• ind.cora.test.index : 保存测试集节点的索引，保存对象为：List，用于后面的归纳学习设置。

数据集注意事项

需要说明有以下几点：

1）为什么训练集节点数这么少，只有140个节点？

答：用的训练集越少，取得的效果越好，说明自己的方法越好。

（ps：你用这么少的训练集，我如果用的比你多，即使最后准确率也比你高，也没法说我方法比你更好，因为有两个变量：训练集大小和模型。）

（ps：这是因为最初的那个人用的少，后面的人为了对比，只能用这么大的训练集。一个字：卷。）

2）为什么训练集(140)+测试集节点数(1000) != 所有节点数 (2708) ？

答：训练集为什么这么少，问题1已经解答；测试集估计是为了凑整数，用了1000。

3）剩下的节点去哪了？

答：ind.cora.allx文件， 有没有发现测试集节点加上这个文件的节点数正好为2708。 ind.cora.allx + ind.cora.tx = all (2708)。不过不用担心节点浪费的问题， 因为训练的时候是将整张图都输入进去的，所有的节点都会参与训练过程，唯一的区别就是，训练的时候只用训练集节点去更新梯度，其他节点仅作为特征。

参考文献

[1]图数据集之cora数据集介绍 — 适用于GCN任务
[2]8/27 图数据集之cora数据集
[3]Cora 数据集介绍
[4]图网络相关数据集