节点预测与边预测任务实践

引言

在此小节我们将利用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):def __init__(self, num_features, hidden_channels_list, num_classes):super(GAT, self).__init__()torch.manual_seed(12345)hns = [num_features] + hidden_channels_listconv_list = []for idx in range(len(hidden_channels_list)):conv_list.append((GATConv(hns[idx], hns[idx+1]), 'x, edge_index -> x'))conv_list.append(ReLU(inplace=True),)self.convseq = Sequential('x, edge_index', conv_list)self.linear = Linear(hidden_channels_list[-1], num_classes)def forward(self, x, edge_index):x = self.convseq(x, edge_index)x = F.dropout(x, p=0.5, training=self.training)x = self.linear(x)return x

由于我们的神经网络由多个GATConv顺序相连而构成，因此我们使用了torch_geometric.nn.Sequential容器，详细内容可见于官方文档。

我们通过hidden_channels_list参数来设置每一层GATConv的outchannel，所以hidden_channels_list长度即为GATConv的层数。通过修改hidden_channels_list，我们就可构造出不同的图神经网络。

完整的代码可见于codes/node_classification.py。请小伙伴们自行完成代码中图神经网络类的训练、验证和测试。

边预测任务实践

边预测任务，目标是预测两个节点之间是否存在边。拿到一个图数据集，我们有节点属性x，边端点edge_index。edge_index存储的便是正样本。为了构建边预测任务，我们需要生成一些负样本，即采样一些不存在边的节点对作为负样本边，正负样本数量应平衡。此外要将样本分为训练集、验证集和测试集三个集合。

PyG中为我们提供了现成的采样负样本边的方法，train_test_split_edges(data, val_ratio=0.05, test_ratio=0.1)，其

第一个参数为torch_geometric.data.Data对象，
第二参数为验证集所占比例，
第三个参数为测试集所占比例。

该函数将自动地采样得到负样本，并将正负样本分成训练集、验证集和测试集三个集合。它用train_pos_edge_index、train_neg_adj_mask、val_pos_edge_index、val_neg_edge_index、test_pos_edge_index和test_neg_edge_index，六个属性取代edge_index属性。

注意train_neg_adj_mask与其他属性格式不同，其实该属性在后面并没有派上用场，后面我们仍然需要进行一次训练集负样本采样。

下面我们使用Cora数据集作为例子，进行边预测任务说明。

获取数据集并进行分析

首先是获取数据集并进行分析：

import os.path as ospfrom torch_geometric.utils import negative_sampling
from torch_geometric.datasets import Planetoid
import torch_geometric.transforms as T
from torch_geometric.utils import train_test_split_edgesdataset = Planetoid('dataset', 'Cora', transform=T.NormalizeFeatures())
data = dataset[0]
data.train_mask = data.val_mask = data.test_mask = data.y = None # 不再有用print(data.edge_index.shape)
# torch.Size([2, 10556])data = train_test_split_edges(data)for key in data.keys:print(key, getattr(data, key).shape)# x torch.Size([2708, 1433])
# val_pos_edge_index torch.Size([2, 263])
# test_pos_edge_index torch.Size([2, 527])
# train_pos_edge_index torch.Size([2, 8976])
# train_neg_adj_mask torch.Size([2708, 2708])
# val_neg_edge_index torch.Size([2, 263])
# test_neg_edge_index torch.Size([2, 527])
# 263 + 527 + 8976 = 9766 != 10556
# 263 + 527 + 8976/2 = 5278 = 10556/2

我们观察到训练集、验证集和测试集中正样本边的数量之和不等于原始边的数量。这是因为，现在所用的Cora图是无向图，在统计原始边数量时，每一条边的正向与反向各统计了一次，训练集也包含边的正向与反向，但验证集与测试集都只包含了边的一个方向。

为什么训练集要包含边的正向与反向，而验证集与测试集都只包含了边的一个方向？ 这是因为，训练集用于训练，训练时一条边的两个端点要互传信息，只考虑一个方向的话，只能由一个端点传信息给另一个端点，而验证集与测试集的边用于衡量检验边预测的准确性，只需考虑一个方向的边即可。

边预测图神经网络的构造

接下来构造神经网络：

import torch
from torch_geometric.nn import GCNConvclass Net(torch.nn.Module):def __init__(self, in_channels, out_channels):super(Net, self).__init__()self.conv1 = GCNConv(in_channels, 128)self.conv2 = GCNConv(128, out_channels)def encode(self, x, edge_index):x = self.conv1(x, edge_index)x = x.relu()return self.conv2(x, edge_index)def decode(self, z, pos_edge_index, neg_edge_index):edge_index = torch.cat([pos_edge_index, neg_edge_index], dim=-1)return (z[edge_index[0]] * z[edge_index[1]]).sum(dim=-1)def decode_all(self, z):prob_adj = z @ z.t()return (prob_adj > 0).nonzero(as_tuple=False).t()

用于做边预测的神经网络主要由两部分组成：其一是编码（encode），它与我们前面介绍的节点表征生成是一样的；其二是解码（decode），它根据边两端节点的表征生成边为真的几率（odds）。decode_all(self, z)用于推理（inference）阶段，我们要对所有的节点对预测存在边的几率。

边预测图神经网络的训练

定义单个epoch的训练过程

def get_link_labels(pos_edge_index, neg_edge_index):num_links = pos_edge_index.size(1) + neg_edge_index.size(1)link_labels = torch.zeros(num_links, dtype=torch.float)link_labels[:pos_edge_index.size(1)] = 1.return link_labelsdef train(data, model, optimizer):model.train()neg_edge_index = negative_sampling(edge_index=data.train_pos_edge_index,num_nodes=data.num_nodes,num_neg_samples=data.train_pos_edge_index.size(1))optimizer.zero_grad()z = model.encode(data.x, data.train_pos_edge_index)link_logits = model.decode(z, data.train_pos_edge_index, neg_edge_index)link_labels = get_link_labels(data.train_pos_edge_index, neg_edge_index).to(data.x.device)loss = F.binary_cross_entropy_with_logits(link_logits, link_labels)loss.backward()optimizer.step()return loss

通常，存在边的节点对的数量往往少于不存在边的节点对的数量。我们在每一个epoch的训练过程中，都进行一次训练集负样本采样。采样到的样本数量与训练集正样本相同，但不同epoch中采样到的样本是不同的。这样做，我们既能实现类别数量平衡，又能实现增加训练集负样本的多样性。在负样本采样时，我们传递了train_pos_edge_index为参数，于是negative_sampling()函数只会在训练集中不存在边的节点对中采样。get_link_labels()函数用于生成完整训练集的标签。

注：在训练阶段，我们应该只见训练集，对验证集与测试集都是不可见的。所以我们没有使用所有的边，而是只用了训练集正样本边。

定义单个epoch验证与测试过程

@torch.no_grad()
def test(data, model):model.eval()z = model.encode(data.x, data.train_pos_edge_index)results = []for prefix in ['val', 'test']:pos_edge_index = data[f'{prefix}_pos_edge_index']neg_edge_index = data[f'{prefix}_neg_edge_index']link_logits = model.decode(z, pos_edge_index, neg_edge_index)link_probs = link_logits.sigmoid()link_labels = get_link_labels(pos_edge_index, neg_edge_index)results.append(roc_auc_score(link_labels.cpu(), link_probs.cpu()))return results

注：在验证与测试阶段，我们也应该只见训练集，对验证集与测试集都是不可见的。所以在验证与测试阶段，我们依然只用训练集正样本边。

运行完整的训练、验证与测试

def main():device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')dataset = 'Cora'path = osp.join(osp.dirname(osp.realpath(__file__)), '..', 'data', dataset)dataset = Planetoid(path, dataset, transform=T.NormalizeFeatures())data = dataset[0]ground_truth_edge_index = data.edge_index.to(device)data.train_mask = data.val_mask = data.test_mask = data.y = Nonedata = train_test_split_edges(data)data = data.to(device)model = Net(dataset.num_features, 64).to(device)optimizer = torch.optim.Adam(params=model.parameters(), lr=0.01)best_val_auc = test_auc = 0for epoch in range(1, 101):loss = train(data, model, optimizer)val_auc, tmp_test_auc = test(data, model)if val_auc > best_val_auc:best_val_auc = val_auctest_auc = tmp_test_aucprint(f'Epoch: {epoch:03d}, Loss: {loss:.4f}, Val: {val_auc:.4f}, 'f'Test: {test_auc:.4f}')z = model.encode(data.x, data.train_pos_edge_index)final_edge_index = model.decode_all(z)if __name__ == "__main__":main()

完整的代码可见于codes/edge_prediction.py。

结语

在完整的第6节内容中，我们学习了

PyG中规定的使用数据的一般过程；
InMemoryDataset基类；
一个简化的InMemory数据集类；
一个InMemory数据集类实例，以及使用该数据集类时会发生的一些过程；
节点预测任务实践；
边预测任务实践。

我们需要重点关注**InMemory数据集类的运行流程与其四个方法的定义的规范**，同时我们还应该重点关注边预测任务中的数据集划分，训练集负样本采样，以及训练、验证与测试三个阶段使用的边。

作业

实践问题一：尝试使用PyG中的不同的网络层去代替GCNConv，以及不同的层数和不同的out_channels，来实现节点分类任务。
实践问题二：在边预测任务中，尝试用torch_geometric.nn.Sequential容器构造图神经网络。
思考问题三：如下方代码所示，我们以data.train_pos_edge_index为实际参数来进行训练集负样本采样，但这样采样得到的负样本可能包含一些验证集的正样本与测试集的正样本，即可能将真实的正样本标记为负样本，由此会产生冲突。但我们还是这么做，这是为什么？
```
neg_edge_index = negative_sampling(edge_index=data.train_pos_edge_index,num_nodes=data.num_nodes,num_neg_samples=data.train_pos_edge_index.size(1))
```

参考资料

Sequential官网文档：torch_geometric.nn.Sequential
边预测任务实践中的代码来源于link_pred.py

参考答案

思考问题三：
问题：我们以data.train_pos_edge_index为实际参数来进行训练集负样本采样，但这样采样得到的负样本可能包含一些验证集的正样本与测试集的正样本，即可能将真实的正样本标记为负样本，由此会产生冲突。但我们还是这么做，这是为什么？

解答：
首先我们讨论如果使用edge_index为实际参数会怎么样？如果以edge_index为实际参数，negative_sampling()函数采样到的是真实的负样本。以真实负样本作为训练集负样本，训练集负样本就不会与验证集正样本有交集，也不会与测试集正样本有交集。 理论上这种采样方式产生的验证集的评估结果和测试集的评估结果都会更好，实际也是如此。但我们不能采用这种训练集负样本采样方式，这是为什么？

整个数据集的正负样本边可划分为训练集正样本边、验证集正样本边、测试集正样本边和所有负样本边，共四个集合。在训练边预测图神经网络时，我们要输入所有训练集边的节点。如果训练集由训练集正样本边和所有的负样本边组成，那么有极大的可能性，所有的节点都要输入给图神经网络。一个节点只有在满足以下的条件时，才一定不会在训练阶段被输入给图神经网络：

该节点与其他所有节点相连。如果该节点与某个节点不相连，那么此对节点间存在负样本边，所有负样本边都有可能被采样，于是该节点可能会在训练阶段被输入给图神经网络。
该节点所有的边都被划分到了验证集或测试集。这种可能性非常小。

当边预测图神经网络能够感知所有的节点时，它也就能够感知所有的正负样本边。在训练阶段，我们给边预测图神经网络输入训练集正样本边和所有真实负样本边，边预测图神经网络就相当于知道了训练集与验证集的正样本边，因为没出现在训练集正样本与所有真实负样本里的样本即为训练集或验证集的正样本。采用这种数据采样方式采样得到的数据集，用于神经网络的训练，训练得到的神经网络会在“现在整个数据集”上过拟合，于是就降低了对将来未知的数据的泛化能力。于是在训练阶段，我们不能知道所有负样本边，那么我们只能知道所有训练集正样本边。

接着我们讨论如果以data.train_pos_edge_index为实际参数来进行训练集负样本采样结果会是怎么样？以data.train_pos_edge_index为实际参数来进行训练集负样本采样，也就是在非训练集正样本中采样。非训练集正样本包含了所有的负样本，和没有出现在训练集中的正样本。虽然包含了没有出现在训练集中的正样本，但其数量相对于所有的负样本的数量要少得多。即便将真实的正样本标记为负样本会产生冲突，但这带来影响相对较小。

综上，我们要以data.train_pos_edge_index为实际参数来进行训练集负样本采样，也就是我们要在非训练集正样本中采样训练集负样本。

【转】节点预测与边预测任务实践相关推荐

PaddleOCR加载chinese_ocr_db_crnn_modile模型进行中英文混合预测（Http服务）实践
1. 环境搭建参考:<PaddleOCR加载chinese_ocr_db_crnn_server模型进行中英文混合预测(命令行)实践> 2. 服务端部署 hub serving star ...
节点相似性与链路预测
一.问题描述与评价标准刻画节点的相似性有很多种方法,最简单直接的就是利用节点的属性.近年来,基于网络结构信息的节点相似性刻画得到了越来越多的重视. 节点相似性分析的一个典型应用就是链路预测,它是指如 ...
节点表征学习与节点预测和边预测
基于图神经网络的节点表征学习引言在图节点预测或边预测任务中,需要先构造节点表征(representation),节点表征是图节点预测和边预测任务成功的关键.在此篇文章中,我们将学习如何基于图神经网 ...
使用PyG进行图神经网络的节点分类、链路预测和异常检测
图神经网络(Graph Neural Networks)是一种针对图结构数据(如社交图.网络安全网络或分子表示)设计的机器学习算法.它在过去几年里发展迅速,被用于许多不同的应用程序.在这篇文章中我们将 ...
定量预测方法总结及案例实践
文章目录 1 前序 2 预测方法及案例 2.1 回归分析 2.1.1 含有哑变量的线性回归分析案例 2.1.2 自变量之间有交互作用的回归分析案例 2.1.3 非线性回归分析--预测第三产业国内生产总 ...
大数据毕业设计 LSTM时间序列预测算法 - 股票预测天气预测房价预测
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
毕业设计 LSTM的预测算法 - 股票预测天气预测房价预测
文章目录 0 简介 1 基于 Keras 用 LSTM 网络做时间序列预测 2 长短记忆网络 3 LSTM 网络结构和原理 3.1 LSTM核心思想 3.2 遗忘门 3.3 输入门 3.4 输出门 4 ...
R语言构建xgboost模型、预测推理：输出预测概率、预测标签
R语言构建xgboost模型.预测推理:输出预测概率.预测标签目录 R
ML之分类预测：分类预测评估指标之AUC计算的的两种函数具体代码案例实现
ML之分类预测:分类预测评估指标之AUC计算的的两种函数具体代码案例实现目录分类预测评估指标之AUC计算的的两种函数代码案例实现输出结果实现代码

【转】节点预测与边预测任务实践