[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-BUPT-GAMMA--OpenHGNN":3,"tool-BUPT-GAMMA--OpenHGNN":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159636,2,"2026-04-17T23:33:34",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":105,"github_topics":106,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":144},8699,"BUPT-GAMMA\u002FOpenHGNN","OpenHGNN","This is an open-source toolkit for Heterogeneous Graph Neural Network(OpenHGNN) based on DGL.","OpenHGNN 是一个基于 DGL（深度图图书馆）和 PyTorch 构建的开源工具包，专为异构图神经网络（HGNN）的研究与应用而设计。在现实世界中，数据往往包含多种类型的节点和边（如用户、商品、交易关系等），传统图神经网络难以直接处理这种复杂结构。OpenHGNN 通过集成大量业界领先的异构图模型，帮助开发者轻松搭建、训练和评估针对此类复杂数据的 AI 模型，有效解决了异构数据建模难、复现成本高以及缺乏统一基准测试的痛点。\n\n这款工具非常适合人工智能研究人员、算法工程师以及高校师生使用。无论是希望快速验证新想法的学术研究者，还是需要将图技术落地到推荐系统、异常检测或反欺诈场景的企业开发者，都能从中获益。OpenHGNN 不仅提供了“开箱即用”的模型接口和自动化超参数优化功能，还支持用户自定义任务、数据集和模型架构，具有极高的扩展性。其最新版本更引入了分布式训练、图提示（Graph Prompt）流水线以及对百万级大规模图数据的基准测试支持，让处理海量复杂关系网络变得更加高效便捷。","# OpenHGNN\n\n![GitHub release (latest by date)](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002FBUPT-GAMMA\u002FOpenHGNN)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBUPT-GAMMA_OpenHGNN_readme_13d664e1afd7.png)](https:\u002F\u002Fopenhgnn.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FBUPT-GAMMA\u002FOpenHGNN)\n[![visitors](https:\u002F\u002Fvisitor-badge.glitch.me\u002Fbadge?page_id=BUPT-GAMMA.OpenHGNN)](https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN)\n[![Total lines](https:\u002F\u002Fimg.shields.io\u002Ftokei\u002Flines\u002Fgithub\u002FBUPT-GAMMA\u002FOpenHGNN?color=red)](https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN)\n\n[**启智社区（中文版）**](https:\u002F\u002Fgit.openi.org.cn\u002FGAMMALab\u002FOpenHGNN) | [**OpenHGNN [CIKM2022]**](https:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fabs\u002F10.1145\u002F3511808.3557664) |  [**Space4HGNN [SIGIR2022]**](..\u002Fspace4hgnn) | [**Benchmark&Leaderboard**](..\u002Fopenhgnn\u002Fdataset\u002Fohgb.md) | [**Slack Channel**](https:\u002F\u002Fapp.slack.com\u002Fclient\u002FTDM5126J1\u002FC03J6GND001)\n\nThis is an open-source toolkit for Heterogeneous Graph Neural Network based\non [DGL [Deep Graph Library]](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl) and [PyTorch](https:\u002F\u002Fpytorch.org\u002F). We integrate SOTA models\nof heterogeneous graph.\n\n## News\n\u003Cdetails>\n\u003Csummary>\n2024-07-23 release v0.7\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\nWe release the latest version v0.7.0\n- New models and datasets.\n- Graph Prompt pipeline\n- Data process frame: dgl.graphBolt\n- New GNN aggregator: dgl.sparse\n- Distributed training\n\n\u003C\u002Fdetails>\n\n\n\n\u003Cdetails>\n\u003Csummary>\n2023-07-17 release v0.5\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\nWe release the latest version v0.5.0\n- New models and datasets.\n- 4 New tasks: pretrain, recommendation, graph attacks and defenses, abnorm_event detection.\n- TensorBoard visualization.\n- Maintenance and test module.\n\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\n\u003Csummary>\n2023-02-24 OpenI Excellent Incubation Award\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\nOpenHGNN won the Excellent Incubation Program Award of OpenI Community! For more details：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FPpbwEdP0-8wG9dsvRvRDaA\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\n\u003Csummary>\n2023-02-21 First Prize of CIE\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\nThe algorithm library supports the project of \"Intelligent Analysis Technology and Scale Application of Large Scale Complex Heterogeneous Graph Data\" led by BUPT and participated by ANT GROUP, China Mobile, Haizhi Technology, etc. This project won the first prize of the 2022 Chinese Intitute of Electronics \"Science and Technology Progress Award\".\n\n\u003C\u002Fdetails>\n\u003Cdetails>\n\u003Csummary>\n2023-01-13 release v0.4\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\nWe release the latest version v0.4.\n\n- New models\n- Provide pipelines for applications\n- More models supporting mini-batch training\n- Benchmark for million-scale graphs\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\n2022-08-02 paper accepted\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\nOur paper [\u003Ci> OpenHGNN: An Open Source Toolkit for Heterogeneous Graph Neural Network \u003C\u002Fi>](https:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fabs\u002F10.1145\u002F3511808.3557664) is accpeted at CIKM 2022 short paper track.\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\n2022-06-27 release v0.3\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\nWe release the latest version v0.3.\n\n- New models\n- API Usage\n- Simply customization of user-defined datasets and models\n- Visualization tools of heterogeneous graphs\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\n2022-02-28 release v0.2\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\nWe release the latest version v0.2.\n\n- New Models\n- [Space4HGNN [SIGIR2022]](..\u002Fspace4hgnn)\n- [Benchmark&Leaderboard](..\u002Fopenhgnn\u002Fdataset\u002Fohgb.md)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\n2022-01-07 加入启智社区\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n启智社区用户可以享受到如下功能：\n\n- 全新的中文文档\n- 免费的计算资源—— [云脑使用教程](https:\u002F\u002Fgit.openi.org.cn\u002FGAMMALab\u002FOpenHGNN\u002Fsrc\u002Fbranch\u002Fmain\u002Fyunnao_tutorial.md)\n- OpenHGNN最新功能\n  - 新增模型：【KDD2017】Metapath2vec、【TKDE2018】HERec、【KDD2021】HeCo、【KDD2021】SimpleHGN、【TKDE2021】HPN、【ICDM2021】HDE、fastGTN\n  - 新增日志功能\n  - 新增美团外卖数据集\n  \u003C\u002Fdetails>\n  \n## Key Features\n\n- Easy-to-Use: OpenHGNN provides easy-to-use interfaces for running experiments with the given models and dataset.\n  Besides, we also integrate [optuna](https:\u002F\u002Foptuna.org\u002F) to get hyperparameter optimization.\n- Extensibility: User can define customized task\u002Fmodel\u002Fdataset to apply new models to new scenarios.\n- Efficiency: The backend dgl provides efficient APIs.\n\n## Get Started\n\n#### Requirements and Installation\n\n- Python  >= 3.6\n\n- [PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002F)  >= 2.3.0\n\n- [DGL](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl) >= 2.2.1\n\n- CPU or NVIDIA GPU, Linux, Python3\n\n**1. Python environment (Optional):** We recommend using Conda package manager\n\n```bash\nconda create -n openhgnn python=3.6\nsource activate openhgnn\n```\n\n**2. Install Pytorch:** Follow their [tutorial](https:\u002F\u002Fpytorch.org\u002Fget-started) to run the proper command according to\nyour OS and CUDA version. For example:\n\n```bash\npip install torch torchvision torchaudio\n```\n\n**3. Install DGL:** Follow their [tutorial](https:\u002F\u002Fwww.dgl.ai\u002Fpages\u002Fstart.html) to run the proper command according to\nyour OS and CUDA version. For example:\n\n```bash\npip install dgl -f https:\u002F\u002Fdata.dgl.ai\u002Fwheels\u002Frepo.html\n```\n\n**4. Install openhgnn:** \n\n- install from pypi\n```bash\npip install openhgnn\n```\n\n- install from source\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN\n# If you encounter a network error, try git clone from openi as following.\n# git clone https:\u002F\u002Fgit.openi.org.cn\u002FGAMMALab\u002FOpenHGNN.git\ncd OpenHGNN\npip install .\n```\n\n\n**5. Install gdbi(Optional):** \n\n- install gdbi from git\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fxy-Ji\u002Fgdbi.git\n```\n\n- install graph database from pypi\n```bash\npip install neo4j==5.16.0\npip install nebula3-python==3.4.0\n```\n\n\n\n\n\n#### Running an existing baseline model on an existing benchmark [dataset](..\u002Fopenhgnn\u002Fdataset\u002F#Dataset)\n\n```bash\npython main.py -m model_name -d dataset_name -t task_name -g 0 --use_best_config --load_from_pretrained\n```\n\nusage: main.py [-h] [--model MODEL] [--task TASK] [--dataset DATASET]\n[--gpu GPU] [--use_best_config][--use_database]\n\n*optional arguments*:\n\n``-h, --help``    show this help message and exit\n\n``--model -m ``    name of models\n\n``--task -t``    name of task\n\n``--dataset -d``    name of datasets\n\n``--gpu -g``    controls which gpu you will use. If you do not have gpu, set -g -1.\n\n``--use_best_config``    use_best_config means you can use the best config in the dataset with the model. If you want to\nset the different hyper-parameter, modify the [openhgnn.config.ini](..\u002Fopenhgnn\u002Fconfig.ini) manually. The best_config\nwill override the parameter in config.ini.\n\n``--load_from_pretrained`` will load the model from a default checkpoint.\n\n``--use_database`` get dataset from database\n\n``---mini_batch_flag`` train model with mini-batchs\n\n``---graphbolt`` mini-batch training with dgl.graphbolt\n\n``---use_distributed`` train model with distributed way\n\ne.g.:\n\n```bash\npython main.py -m GTN -d imdb4GTN -t node_classification -g 0 --use_best_config\n\npython main.py -m RGCN -d imdb4GTN -t node_classification -g 0 --mini_batch_flag --graphbolt\n```\n\n**Note**: If you are interested in some model, you can refer to the below models list.\n\nRefer to the [docs](https:\u002F\u002Fopenhgnn.readthedocs.io\u002Fen\u002Flatest\u002Findex.html) to get more basic and depth usage.\n\n#### Use TensorBoard to visualize your train result\n```bash\ntensorboard --logdir=.\u002Fopenhgnn\u002Foutput\u002F{model_name}\u002F\n```\ne.g.：\n```bash\ntensorboard --logdir=.\u002Fopenhgnn\u002Foutput\u002FRGCN\u002F\n```\n**Note**: To visualize results, you need to train the model first.\n\n\n#### Use gdbi to get grpah dataset\ntake neo4j and imdb dataset for example\n- construct csv file for dataset(node-level:A.csv,edge-level:A_P.csv)\n- import csv file to database\n```bash\nLOAD CSV WITH HEADERS FROM \"file:\u002F\u002F\u002Fdata.csv\" AS row\nCREATE (:graphname_labelname {ID: row.ID, ... });\n```\n- add user information to access database in config.py file\n```python\nself.graph_address = [graph_address]\nself.user_name = [user_name]\nself.password = [password]\n```\n\n- e.g.:\n\n```bash\npython main.py -m MAGNN -d imdb4MAGNN -t node_classification -g 0 --use_best_config --use_database\n```\n\n\n\n\n## [Models](..\u002Fopenhgnn\u002Fmodels\u002F#Model)\n\n### Supported Models with specific task\n\nThe link will give some basic usage.\n\n| Model                                                     | Node classification | Link prediction    | Recommendation     |\n|-----------------------------------------------------------|---------------------|--------------------|--------------------|\n| [TransE](..\u002Fopenhgnn\u002Foutput\u002FTransE)[NIPS 2013]            |                     | :heavy_check_mark: |                    |\n| [TransH](..\u002Fopenhgnn\u002Foutput\u002FTransH)[AAAI 2014]            |                     | :heavy_check_mark: |                    |\n| [TransR](..\u002Fopenhgnn\u002Foutput\u002FTransR)[AAAI 2015]            |                     | :heavy_check_mark: |                    |\n| [TransD](..\u002Fopenhgnn\u002Foutput\u002FTransD)[ACL 2015]             |                     | :heavy_check_mark: |                    |\n| [Metapath2vec](..\u002Fopenhgnn\u002Foutput\u002Fmetapath2vec)[KDD 2017] | :heavy_check_mark:  |                    |                    |\n| [RGCN](..\u002Fopenhgnn\u002Foutput\u002FRGCN)[ESWC 2018]                | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [HERec](..\u002Fopenhgnn\u002Foutput\u002FHERec)[TKDE 2018]              | :heavy_check_mark:  |                    |                    |\n| [HAN](..\u002Fopenhgnn\u002Foutput\u002FHAN)[WWW 2019]                   | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [KGCN](..\u002Fopenhgnn\u002Foutput\u002FKGCN)[WWW 2019]                 |                     |                    | :heavy_check_mark: |\n| [HetGNN](..\u002Fopenhgnn\u002Foutput\u002FHetGNN)[KDD 2019]             | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [HeGAN](..\u002Fopenhgnn\u002Foutput\u002FHeGAN)[KDD 2019]               | :heavy_check_mark:  |                    |                    |\n| HGAT[EMNLP 2019]                                          |                     |                    |                    |\n| [GTN](..\u002Fopenhgnn\u002Foutput\u002FGTN)[NeurIPS 2019] & fastGTN     | :heavy_check_mark:  |                    |                    |\n| [RSHN](..\u002Fopenhgnn\u002Foutput\u002FRSHN)[ICDM 2019]                | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [GATNE-T](..\u002Fopenhgnn\u002Foutput\u002FGATNE-T)[KDD 2019]           |                     | :heavy_check_mark: |                    |\n| [DMGI](..\u002Fopenhgnn\u002Foutput\u002FDMGI)[AAAI 2020]                | :heavy_check_mark:  |                    |                    |\n| [MAGNN](..\u002Fopenhgnn\u002Foutput\u002FMAGNN)[WWW 2020]               | :heavy_check_mark:  |                    |                    |\n| [HGT](..\u002Fopenhgnn\u002Foutput\u002FHGT)[WWW 2020]                   | :heavy_check_mark:  |                    |                    |\n| [CompGCN](..\u002Fopenhgnn\u002Foutput\u002FCompGCN)[ICLR 2020]          | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [NSHE](..\u002Fopenhgnn\u002Foutput\u002FNSHE)[IJCAI 2020]               | :heavy_check_mark:  |                    |                    |\n| [NARS](..\u002Fopenhgnn\u002Foutput\u002FNARS)[arxiv]                    | :heavy_check_mark:  |                    |                    |\n| [MHNF](..\u002Fopenhgnn\u002Foutput\u002FMHNF)[arxiv]                    | :heavy_check_mark:  |                    |                    |\n| [HGSL](..\u002Fopenhgnn\u002Foutput\u002FHGSL)[AAAI 2021]                | :heavy_check_mark:  |                    |                    |\n| [HGNN-AC](..\u002Fopenhgnn\u002Foutput\u002FHGNN_AC)[WWW 2021]           | :heavy_check_mark:  |                    |                    |\n| [HeCo](..\u002Fopenhgnn\u002Foutput\u002FHeCo)[KDD 2021]                 | :heavy_check_mark:  |                    |                    |\n| [SimpleHGN](..\u002Fopenhgnn\u002Foutput\u002FSimpleHGN)[KDD 2021]       | :heavy_check_mark:  |                    |                    |\n| [HPN](..\u002Fopenhgnn\u002Foutput\u002FHPN)[TKDE 2021]                  | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [RHGNN](..\u002Fopenhgnn\u002Foutput\u002FRHGNN)[arxiv]                  | :heavy_check_mark:  |                    |                    |\n| [HDE](..\u002Fopenhgnn\u002Foutput\u002FHDE)[ICDM 2021]                  |                     | :heavy_check_mark: |                    |\n| [HetSANN](..\u002Fopenhgnn\u002Foutput\u002FHGT)[AAAI 2020]               | :heavy_check_mark:  |                    |                    |\n| [ieHGCN](..\u002Fopenhgnn\u002Foutput\u002FHGT)[TKDE 2021]                | :heavy_check_mark:  |                    |                    |\n| [KTN](..\u002Fopenhgnn\u002Foutput\u002FKTN)[NIPS 2022]                  | :heavy_check_mark: |                    |                    |\n\n### Candidate models\n\n- Heterogeneous Graph Attention Networks for Semi-supervised Short Text Classification[EMNLP 2019]\n- [Heterogeneous Information Network Embedding with Adversarial Disentangler[TKDE 2021]](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F9483653)\n\n## Contributors\n\nOpenHGNN Team[GAMMA LAB], DGL Team and Peng Cheng Laboratory.\n\nSee more in [CONTRIBUTING](..\u002FCONTRIBUTING.md).\n\n\n## Cite OpenHGNN\n\nIf you use OpenHGNN in a scientific publication, we would appreciate citations to the following paper:\n\n```\n@inproceedings{han2022openhgnn,\n  title={OpenHGNN: An Open Source Toolkit for Heterogeneous Graph Neural Network},\n  author={Hui Han, Tianyu Zhao, Cheng Yang, Hongyi Zhang, Yaoqi Liu, Xiao Wang, Chuan Shi},\n  booktitle={CIKM},\n  year={2022}\n}\n```\n","# OpenHGNN\n\n![GitHub 发布（按日期最新）](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002FBUPT-GAMMA\u002FOpenHGNN)\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBUPT-GAMMA_OpenHGNN_readme_13d664e1afd7.png)](https:\u002F\u002Fopenhgnn.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n![GitHub](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FBUPT-GAMMA\u002FOpenHGNN)\n[![访问量](https:\u002F\u002Fvisitor-badge.glitch.me\u002Fbadge?page_id=BUPT-GAMMA.OpenHGNN)](https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN)\n[![总行数](https:\u002F\u002Fimg.shields.io\u002Ftokei\u002Flines\u002Fgithub\u002FBUPT-GAMMA\u002FOpenHGNN?color=red)](https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN)\n\n[**启智社区（中文版）**](https:\u002F\u002Fgit.openi.org.cn\u002FGAMMALab\u002FOpenHGNN) | [**OpenHGNN [CIKM2022]**](https:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fabs\u002F10.1145\u002F3511808.3557664) |  [**Space4HGNN [SIGIR2022]**](..\u002Fspace4hgnn) | [**Benchmark&Leaderboard**](..\u002Fopenhgnn\u002Fdataset\u002Fohgb.md) | [**Slack 频道**](https:\u002F\u002Fapp.slack.com\u002Fclient\u002FTDM5126J1\u002FC03J6GND001)\n\n这是一个基于 [DGL [深度图库]](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl) 和 [PyTorch](https:\u002F\u002Fpytorch.org\u002F) 的异构图神经网络开源工具包。我们集成了当前最先进的异构图模型。\n\n## 新闻\n\u003Cdetails>\n\u003Csummary>\n2024-07-23 发布 v0.7\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\n我们发布了最新版本 v0.7.0：\n- 新模型和数据集。\n- 图提示流水线。\n- 数据处理框架：dgl.graphBolt。\n- 新的 GNN 聚合器：dgl.sparse。\n- 分布式训练。\n\n\u003C\u002Fdetails>\n\n\n\n\u003Cdetails>\n\u003Csummary>\n2023-07-17 发布 v0.5\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\n我们发布了最新版本 v0.5.0：\n- 新模型和数据集。\n- 4 个新任务：预训练、推荐系统、图攻击与防御以及异常事件检测。\n- TensorBoard 可视化。\n- 维护和测试模块。\n\n\u003C\u002Fdetails>\n\n\n\u003Cdetails>\n\n\u003Csummary>\n2023-02-24 OpenI 优秀孵化奖\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\nOpenHGNN 获得了 OpenI 社区的优秀孵化项目奖！更多详情请见：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FPpbwEdP0-8wG9dsvRvRDaA\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\n\u003Csummary>\n2023-02-21 CIE 一等奖\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\n该算法库支持由北京邮电大学牵头，蚂蚁集团、中国移动、海致科技等参与的“大规模复杂异构图数据智能分析技术及规模化应用”项目。该项目荣获 2022 年中国电子学会“科技进步一等奖”。\n\n\u003C\u002Fdetails>\n\u003Cdetails>\n\u003Csummary>\n2023-01-13 发布 v0.4\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\n我们发布了最新版本 v0.4。\n\n- 新模型。\n- 提供应用流水线。\n- 更多支持小批量训练的模型。\n- 百万级图的基准测试。\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\n2022-08-02 论文被接受\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n我们的论文 [\u003Ci> OpenHGNN：一个用于异构图神经网络的开源工具包 \u003C\u002Fi>](https:\u002F\u002Fdl.acm.org\u002Fdoi\u002Fabs\u002F10.1145\u002F3511808.3557664) 被 CIKM 2022 短文赛道接受。\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\n2022-06-27 发布 v0.3\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\n我们发布了最新版本 v0.3。\n\n- 新模型。\n- API 使用说明。\n- 简单自定义用户数据集和模型。\n- 异构图可视化工具。\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\n2022-02-28 发布 v0.2\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n\n我们发布了最新版本 v0.2。\n\n- 新模型。\n- [Space4HGNN [SIGIR2022]](..\u002Fspace4hgnn)。\n- [Benchmark&Leaderboard](..\u002Fopenhgnn\u002Fdataset\u002Fohgb.md)。\n\n\u003C\u002Fdetails>\n\n\u003Cdetails>\n\u003Csummary>\n2022-01-07 加入启智社区\n\u003C\u002Fsummary>\n\u003Cbr\u002F>\n启智社区用户可以享受到如下功能：\n\n- 全新的中文文档。\n- 免费的计算资源—— [云脑使用教程](https:\u002F\u002Fgit.openi.org.cn\u002FGAMMALab\u002FOpenHGNN\u002Fsrc\u002Fbranch\u002Fmain\u002Fyunnao_tutorial.md)\n- OpenHGNN 最新功能\n  - 新增模型：【KDD2017】Metapath2vec、【TKDE2018】HERec、【KDD2021】HeCo、【KDD2021】SimpleHGN、【TKDE2021】HPN、【ICDM2021】HDE、fastGTN\n  - 新增日志功能。\n  - 新增美团外卖数据集。\n  \u003C\u002Fdetails>\n  \n## 核心特性\n\n- 易于使用：OpenHGNN 提供了易于使用的接口，方便用户使用提供的模型和数据集进行实验。此外，我们还集成了 [optuna](https:\u002F\u002Foptuna.org\u002F) 来实现超参数优化。\n- 可扩展性：用户可以自定义任务\u002F模型\u002F数据集，将新模型应用于新场景。\n- 高效性：后端的 dgl 提供高效的 API。\n\n## 开始使用\n\n#### 要求与安装\n\n- Python >= 3.6\n\n- [PyTorch](https:\u002F\u002Fpytorch.org\u002Fget-started\u002F) >= 2.3.0\n\n- [DGL](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdgl) >= 2.2.1\n\n- CPU 或 NVIDIA GPU，Linux，Python3\n\n**1. Python 环境（可选）：** 我们建议使用 Conda 包管理器\n\n```bash\nconda create -n openhgnn python=3.6\nsource activate openhgnn\n```\n\n**2. 安装 PyTorch：** 按照他们的 [教程](https:\u002F\u002Fpytorch.org\u002Fget-started) 根据您的操作系统和 CUDA 版本运行相应的命令。例如：\n\n```bash\npip install torch torchvision torchaudio\n```\n\n**3. 安装 DGL：** 按照他们的 [教程](https:\u002F\u002Fwww.dgl.ai\u002Fpages\u002Fstart.html) 根据您的操作系统和 CUDA 版本运行相应的命令。例如：\n\n```bash\npip install dgl -f https:\u002F\u002Fdata.dgl.ai\u002Fwheels\u002Frepo.html\n```\n\n**4. 安装 openhgnn：**\n\n- 从 pypi 安装\n```bash\npip install openhgnn\n```\n\n- 从源代码安装\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN\n# 如果遇到网络错误，可以尝试从 openi 克隆以下仓库。\n\n# 克隆代码库\ngit clone https:\u002F\u002Fgit.openi.org.cn\u002FGAMMALab\u002FOpenHGNN.git\ncd OpenHGNN\npip install .\n```\n\n\n**5. 安装 gdbi（可选）：**\n\n- 从 Git 安装 gdbi\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fxy-Ji\u002Fgdbi.git\n```\n\n- 从 PyPI 安装图数据库\n```bash\npip install neo4j==5.16.0\npip install nebula3-python==3.4.0\n```\n\n\n\n\n\n#### 在现有基准数据集上运行现有基线模型 [数据集](..\u002Fopenhgnn\u002Fdataset\u002F#Dataset)\n\n```bash\npython main.py -m 模型名称 -d 数据集名称 -t 任务名称 -g 0 --use_best_config --load_from_pretrained\n```\n\n用法：main.py [-h] [--model MODEL] [--task TASK] [--dataset DATASET] [--gpu GPU] [--use_best_config][--use_database]\n\n*可选参数*：\n\n``-h, --help``    显示此帮助信息并退出\n\n``--model -m ``    模型名称\n\n``--task -t``    任务名称\n\n``--dataset -d``    数据集名称\n\n``--gpu -g``    控制使用的 GPU。如果没有 GPU，请设置 -g -1。\n\n``--use_best_config``    use_best_config 表示可以使用该数据集与模型的最佳配置。如果想要设置不同的超参数，可以手动修改 [openhgnn.config.ini](..\u002Fopenhgnn\u002Fconfig.ini) 文件。best_config 会覆盖 config.ini 中的参数。\n\n``--load_from_pretrained`` 将从默认检查点加载模型。\n\n``--use_database`` 从数据库获取数据集\n\n``---mini_batch_flag`` 使用小批量训练模型\n\n``---graphbolt`` 使用 dgl.graphbolt 进行小批量训练\n\n``---use_distributed`` 以分布式方式训练模型\n\n例如：\n\n```bash\npython main.py -m GTN -d imdb4GTN -t node_classification -g 0 --use_best_config\n\npython main.py -m RGCN -d imdb4GTN -t node_classification -g 0 --mini_batch_flag --graphbolt\n```\n\n**注意**：如果您对某些模型感兴趣，可以参考下面的模型列表。\n\n请参阅 [文档](https:\u002F\u002Fopenhgnn.readthedocs.io\u002Fen\u002Flatest\u002Findex.html) 以获取更多基础和深入的使用说明。\n\n#### 使用 TensorBoard 可视化训练结果\n```bash\ntensorboard --logdir=.\u002Fopenhgnn\u002Foutput\u002F{模型名称}\u002F\n```\n例如：\n```bash\ntensorboard --logdir=.\u002Fopenhgnn\u002Foutput\u002FRGCN\u002F\n```\n**注意**：要进行结果可视化，您需要先训练模型。\n\n#### 使用 gdbi 获取图数据集\n以 neo4j 和 imdb 数据集为例：\n- 构建数据集的 CSV 文件（节点级：A.csv，边级：A_P.csv）\n- 将 CSV 文件导入数据库\n```bash\nLOAD CSV WITH HEADERS FROM \"file:\u002F\u002F\u002Fdata.csv\" AS row\nCREATE (:graphname_labelname {ID: row.ID, ... });\n```\n- 在 config.py 文件中添加访问数据库的用户信息\n```python\nself.graph_address = [图数据库地址]\nself.user_name = [用户名]\nself.password = [密码]\n```\n\n- 例如：\n```bash\npython main.py -m MAGNN -d imdb4MAGNN -t node_classification -g 0 --use_best_config --use_database\n```\n\n\n\n\n## [模型](..\u002Fopenhgnn\u002Fmodels\u002F#Model)\n\n### 支持特定任务的模型\n\n该链接将提供一些基本用法。\n\n| 模型                                                     | 节点分类 | 链接预测    | 推荐系统     |\n|-----------------------------------------------------------|---------------------|--------------------|--------------------|\n| [TransE](..\u002Fopenhgnn\u002Foutput\u002FTransE)[NIPS 2013]            |                     | :heavy_check_mark: |                    |\n| [TransH](..\u002Fopenhgnn\u002Foutput\u002FTransH)[AAAI 2014]            |                     | :heavy_check_mark: |                    |\n| [TransR](..\u002Fopenhgnn\u002Foutput\u002FTransR)[AAAI 2015]            |                     | :heavy_check_mark: |                    |\n| [TransD](..\u002Fopenhgnn\u002Foutput\u002FTransD)[ACL 2015]             |                     | :heavy_check_mark: |                    |\n| [Metapath2vec](..\u002Fopenhgnn\u002Foutput\u002Fmetapath2vec)[KDD 2017] | :heavy_check_mark:  |                    |                    |\n| [RGCN](..\u002Fopenhgnn\u002Foutput\u002FRGCN)[ESWC 2018]                | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [HERec](..\u002Fopenhgnn\u002Foutput\u002FHERec)[TKDE 2018]              | :heavy_check_mark:  |                    |                    |\n| [HAN](..\u002Fopenhgnn\u002Foutput\u002FHAN)[WWW 2019]                   | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [KGCN](..\u002Fopenhgnn\u002Foutput\u002FKGCN)[WWW 2019]                 |                     |                    | :heavy_check_mark: |\n| [HetGNN](..\u002Fopenhgnn\u002Foutput\u002FHetGNN)[KDD 2019]             | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [HeGAN](..\u002Fopenhgnn\u002Foutput\u002FHeGAN)[KDD 2019]               | :heavy_check_mark:  |                    |                    |\n| HGAT[EMNLP 2019]                                          |                     |                    |                    |\n| [GTN](..\u002Fopenhgnn\u002Foutput\u002FGTN)[NeurIPS 2019] & fastGTN     | :heavy_check_mark:  |                    |                    |\n| [RSHN](..\u002Fopenhgnn\u002Foutput\u002FRSHN)[ICDM 2019]                | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [GATNE-T](..\u002Fopenhgnn\u002Foutput\u002FGATNE-T)[KDD 2019]           |                     | :heavy_check_mark: |                    |\n| [DMGI](..\u002Fopenhgnn\u002Foutput\u002FDMGI)[AAAI 2020]                | :heavy_check_mark:  |                    |                    |\n| [MAGNN](..\u002Fopenhgnn\u002Foutput\u002FMAGNN)[WWW 2020]               | :heavy_check_mark:  |                    |                    |\n| [HGT](..\u002Fopenhgnn\u002Foutput\u002FHGT)[WWW 2020]                   | :heavy_check_mark:  |                    |                    |\n| [CompGCN](..\u002Fopenhgnn\u002Foutput\u002FCompGCN)[ICLR 2020]          | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [NSHE](..\u002Fopenhgnn\u002Foutput\u002FNSHE)[IJCAI 2020]               | :heavy_check_mark:  |                    |                    |\n| [NARS](..\u002Fopenhgnn\u002Foutput\u002FNARS)[arxiv]                    | :heavy_check_mark:  |                    |                    |\n| [MHNF](..\u002Fopenhgnn\u002Foutput\u002FMHNF)[arxiv]                    | :heavy_check_mark:  |                    |                    |\n| [HGSL](..\u002Fopenhgnn\u002Foutput\u002FHGSL)[AAAI 2021]                | :heavy_check_mark:  |                    |                    |\n| [HGNN-AC](..\u002Fopenhgnn\u002Foutput\u002FHGNN_AC)[WWW 2021]           | :heavy_check_mark:  |                    |                    |\n| [HeCo](..\u002Fopenhgnn\u002Foutput\u002FHeCo)[KDD 2021]                 | :heavy_check_mark:  |                    |                    |\n| [SimpleHGN](..\u002Fopenhgnn\u002Foutput\u002FSimpleHGN)[KDD 2021]       | :heavy_check_mark:  |                    |                    |\n| [HPN](..\u002Fopenhgnn\u002Foutput\u002FHPN)[TKDE 2021]                  | :heavy_check_mark:  | :heavy_check_mark: |                    |\n| [RHGNN](..\u002Fopenhgnn\u002Foutput\u002FRHGNN)[arxiv]                  | :heavy_check_mark:  |                    |                    |\n| [HDE](..\u002Fopenhgnn\u002Foutput\u002FHDE)[ICDM 2021]                  |                     | :heavy_check_mark: |                    |\n| [HetSANN](..\u002Fopenhgnn\u002Foutput\u002FHGT)[AAAI 2020]               | :heavy_check_mark:  |                    |                    |\n| [ieHGCN](..\u002Fopenhgnn\u002Foutput\u002FHGT)[TKDE 2021]                | :heavy_check_mark:  |                    |                    |\n| [KTN](..\u002Fopenhgnn\u002Foutput\u002FKTN)[NIPS 2022]                  | :heavy_check_mark: |                    |                    |\n\n### 备选模型\n\n- 用于半监督短文本分类的异构图注意力网络[EMNLP 2019]\n- [带有对抗解纠缠器的异构信息网络嵌入[TKDE 2021]](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F9483653)\n\n## 贡献者\n\nOpenHGNN团队[GAMMA实验室]、DGL团队以及鹏城实验室。\n\n更多信息请参阅[CONTRIBUTING](..\u002FCONTRIBUTING.md)。\n\n## 引用 OpenHGNN\n\n如果您在科学出版物中使用了 OpenHGNN，我们非常感谢您引用以下论文：\n\n```\n@inproceedings{han2022openhgnn,\n  title={OpenHGNN: 一个用于异构图神经网络的开源工具包},\n  author={韩辉、赵天宇、杨成、张宏毅、刘耀奇、王肖、史川},\n  booktitle={CIKM},\n  year={2022}\n}\n```","# OpenHGNN 快速上手指南\n\nOpenHGNN 是一个基于 DGL (Deep Graph Library) 和 PyTorch 的开源异构图神经网络工具包，集成了多种 SOTA 模型，支持节点分类、链接预测、推荐系统等任务。\n\n## 1. 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux\n*   **硬件**: CPU 或 NVIDIA GPU\n*   **Python**: >= 3.6 (推荐使用 Conda 管理环境)\n*   **PyTorch**: >= 2.3.0\n*   **DGL**: >= 2.2.1\n\n## 2. 安装步骤\n\n建议按顺序执行以下步骤以完成环境配置。\n\n### 2.1 创建 Python 环境（可选但推荐）\n使用 Conda 创建独立环境：\n```bash\nconda create -n openhgnn python=3.6\nsource activate openhgnn\n```\n\n### 2.2 安装 PyTorch\n请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started) 根据您的 CUDA 版本选择对应命令。示例：\n```bash\npip install torch torchvision torchaudio\n```\n\n### 2.3 安装 DGL\n请访问 [DGL 安装页面](https:\u002F\u002Fwww.dgl.ai\u002Fpages\u002Fstart.html) 选择对应命令。示例：\n```bash\npip install dgl -f https:\u002F\u002Fdata.dgl.ai\u002Fwheels\u002Frepo.html\n```\n\n### 2.4 安装 OpenHGNN\n您可以选择从 PyPI 直接安装，或从源码安装（**国内用户推荐从启智社区镜像克隆源码**）。\n\n**方式一：从 PyPI 安装**\n```bash\npip install openhgnn\n```\n\n**方式二：从源码安装（推荐）**\n```bash\n# 如果 GitHub 连接超时，请使用下方的启智社区镜像\n# git clone https:\u002F\u002Fgit.openi.org.cn\u002FGAMMALab\u002FOpenHGNN.git\ngit clone https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN\ncd OpenHGNN\npip install .\n```\n\n### 2.5 安装图数据库支持（可选）\n如果您需要使用 `gdbi` 模块从 Neo4j 或 Nebula Graph 加载数据：\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fxy-Ji\u002Fgdbi.git\npip install neo4j==5.16.0\npip install nebula3-python==3.4.0\n```\n\n## 3. 基本使用\n\n安装完成后，您可以直接运行内置的基准模型和数据集。\n\n### 3.1 运行示例\n以下命令演示了如何使用 **GTN** 模型在 **imdb4GTN** 数据集上进行 **节点分类** 任务，并自动加载最佳超参数配置：\n\n```bash\npython main.py -m GTN -d imdb4GTN -t node_classification -g 0 --use_best_config\n```\n\n若需使用 Mini-batch 训练（配合 DGL GraphBolt）：\n```bash\npython main.py -m RGCN -d imdb4GTN -t node_classification -g 0 --mini_batch_flag --graphbolt\n```\n\n### 3.2 常用参数说明\n*   `-m, --model`: 模型名称 (如 `RGCN`, `HAN`, `MAGNN`)\n*   `-d, --dataset`: 数据集名称\n*   `-t, --task`: 任务类型 (如 `node_classification`, `link_prediction`)\n*   `-g, --gpu`: 指定 GPU 编号，若无 GPU 则设为 `-1`\n*   `--use_best_config`: 使用该模型在特定数据集上的最佳预设配置\n*   `--load_from_pretrained`: 加载预训练权重\n*   `--use_database`: 从图数据库加载数据集\n\n### 3.3 可视化训练结果\n训练完成后，可使用 TensorBoard 查看日志：\n```bash\ntensorboard --logdir=.\u002Fopenhgnn\u002Foutput\u002F{model_name}\u002F\n```\n例如查看 RGCN 的结果：\n```bash\ntensorboard --logdir=.\u002Fopenhgnn\u002Foutput\u002FRGCN\u002F\n```\n\n> **提示**：更多支持的模型列表及详细用法，请参阅 [官方文档](https:\u002F\u002Fopenhgnn.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)。","某大型电商平台的算法团队正致力于构建一个融合用户、商品、品牌和评论的多关系图谱，以优化个性化推荐系统的准确率。\n\n### 没有 OpenHGNN 时\n- **模型复现成本极高**：团队需手动基于底层框架从零编写 HAN、HetGNN 等异构图神经网络代码，耗时数周且容易引入 Bug。\n- **数据预处理繁琐**：面对亿级规模的异构数据，缺乏统一的数据加载与转换接口，清洗和构建图结构占用了大量开发时间。\n- **调优过程盲目低效**：缺乏自动化的超参数搜索机制，工程师只能依靠经验手动调整学习率和维度，难以找到最优解。\n- **实验对比困难**：不同模型的数据格式和训练流程不统一，导致无法在同一基准下公平评估新模型与现有 SOTA 模型的性能差距。\n\n### 使用 OpenHGNN 后\n- **即插即用主流模型**：直接调用 OpenHGNN 内置的 Metapath2vec、HeCo 等数十种 SOTA 模型接口，将模型验证周期从数周缩短至几天。\n- **高效数据处理流水线**：利用其集成的 DGL GraphBolt 数据框架，轻松实现百万级节点图的迷你批次（mini-batch）训练，显著降低显存占用。\n- **自动化超参优化**：通过集成的 Optuna 模块自动执行超参数搜索，快速锁定最佳配置，使推荐点击率（CTR）提升了 5%。\n- **标准化基准评测**：借助内置的 Benchmark 和 Leaderboard 功能，在统一数据集上快速完成新策略与行业顶尖水平的对比验证。\n\nOpenHGNN 通过提供标准化的异构图深度学习流水线，让算法团队从重复的基建工作中解放出来，专注于核心业务逻辑的创新与落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBUPT-GAMMA_OpenHGNN_1890bd9f.png","BUPT-GAMMA","BUPT GAMMA Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FBUPT-GAMMA_69a60c46.jpg","Graph dAta Mining and MAchine learning Lab at Beijing University of Posts and Telecommunications",null,"shichuan.org","https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.9,{"name":85,"color":86,"percentage":87},"Shell","#89e051",0.1,971,165,"2026-04-16T12:52:32","Apache-2.0","Linux","支持 CPU 或 NVIDIA GPU，未明确具体型号和显存要求；需根据安装的 PyTorch 和 DGL 版本匹配对应的 CUDA 版本","未说明",{"notes":96,"python":97,"dependencies":98},"建议使用 Conda 管理 Python 环境。安装 PyTorch 和 DGL 时需严格参照官方教程，根据操作系统和 CUDA 版本执行对应的安装命令。可选安装 gdbi 及图数据库（Neo4j\u002FNebula）以支持从数据库加载数据集功能。支持分布式训练和基于 dgl.graphBolt 的迷你批次训练。",">=3.6",[99,100,101,102,103,104],"torch>=2.3.0","dgl>=2.2.1","optuna","tensorboard","neo4j==5.16.0","nebula3-python==3.4.0",[14],[107,108,109,110],"heterogeneous","dgl","graph-neural-networks","pytorch","2026-03-27T02:49:30.150509","2026-04-18T09:19:38.314573",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},38964,"运行 HetGNN 模型时遇到 'dict' object has no attribute 'srcdata' 错误怎么办？","这是由于 DGL 版本不兼容导致的 API 变更问题。建议卸载 nightly 版本的 DGL，安装稳定版本。可以使用以下命令安装特定 CUDA 版本的稳定版 DGL：\npip install dgl-cu113 -f https:\u002F\u002Fdata.dgl.ai\u002Fwheels\u002Frepo.html\n如果需要安装其他版本（如 cu101），请替换对应的版本号并移除 `-f` 标志（若不需要指定源）。\n项目方已在后续提交中修复了此 Bug，确保使用修复后的代码或稳定版 DGL 即可解决。","https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN\u002Fissues\u002F98",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},38965,"HetGNN 模型在大数据集上进行评估（evaluation）时内存溢出怎么办？","由于 HetGNN 模型机制决定，其需要通过随机游走（RWR）来确定聚合哪些邻居，因此即使不切图也需要进行游走过程，无法完全避免该开销。\n针对显存\u002F内存不足的问题，可以尝试以下方案：\n1. 使用多卡并行构建 embedding（例如 8 卡并行）。\n2. 将 mini-batch 游走的部分在评估前提前 snapshot（快照）下来，以加速评估过程。\n3. 如果接受性能略微降低以换取效率提升，可以尝试跳过部分游走逻辑直接使用原图（但这可能偏离模型原始设计）。","https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN\u002Fissues\u002F69",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},38966,"使用 academic4HetGNN 数据集训练时，生成的节点 Embedding 出现大量完全相同的情况，是否正常？","这是符合预期的现象。该数据集中的特征包含了通过 DeepWalk 预先获得的 embedding，这些 embedding 是依据图结构生成的。这意味着即使不经过复杂的模型训练，直接将输入特征用于下游任务也能获得较好的性能。因此，观察到的相似或相同的 embedding 值反映了数据集中预置的结构特征信息。","https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN\u002Fissues\u002F70",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},38967,"Metapath2vec 生成的 Embedding 文件包含所有节点类型，如何获取特定目标类型的节点 Embedding？节点顺序是怎样的？","Embedding 文件中包含了图中所有的节点类型，其排列顺序与 DGL 图对象中的 `g.ntypes` 顺序完全一致。\n例如，如果 `g.ntypes` 的顺序是 ['author', 'conference', 'paper']，那么 Embedding 矩阵的行索引也是按照这个顺序排列的（如 author 对应 0 到 N1，conference 对应 N1 到 N2，以此类推）。用户需要根据 `g.ntypes` 确定的偏移量来切片提取特定类型的节点 Embedding。","https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN\u002Fissues\u002F137",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},38968,"运行 HGSL 模型时在 dblp4GTN 或 imdb4GTN 数据集上报错 \"variable needed for gradient computation has been modified by an inplace operation\" 如何解决？","该错误通常是因为数据集配置或模型对特定数据集的支持不完善导致的原地操作冲突。\n目前项目方已经更新支持了 dblp4GTN 和 yelp4HGSL 数据集用于 HGSL 模型训练。解决方案包括：\n1. 拉取最新的代码提交（参考 commit: 1b31a37 或 eec0bdf），其中已修复了对这些数据集的支持。\n2. 如果急需结果且不想等待更新，可以参考相关 Issue 建议，为 metapath 添加预训练的 embeddings 作为替代方案。","https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN\u002Fissues\u002F157",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},38969,"运行 HeGAN 等模型时遇到 IndexError 错误或不知道如何启动训练脚本怎么办？","关于 IndexError：这通常是因为数据集中存在未连接的边导致生成了空张量。建议在代码中添加判断逻辑跳过空情况，例如：`if len(self.hg_dict[nt][src][et]) == 0: continue`。\n关于运行脚本：虽然部分模型（如 DeepWalk, HeGAN）定义了 trainer，但可能在主脚本或文档中缺少直接调用命令。参数 `k` 代表采样数量。用户需检查 `scripts\u002Frun_experiments.py` 或参考作者原始代码库来构建正确的运行命令，并确保数据集没有断连的边。","https:\u002F\u002Fgithub.com\u002FBUPT-GAMMA\u002FOpenHGNN\u002Fissues\u002F92",[145,150,155,160,165,170,175,180],{"id":146,"version":147,"summary_zh":148,"released_at":149},314906,"v0.7.0","1. 新模型和数据集  \n2. 数据存储与处理框架 DGL.GraphBolt  \n3. 分布式训练流水线  \n4. 异构图提示学习流水线","2024-07-25T09:37:09",{"id":151,"version":152,"summary_zh":153,"released_at":154},314907,"v0.6.0","1. 知识图谱的新模型和数据集  \n2. 图数据库接口  \n3. 维护与测试。","2024-02-06T06:54:52",{"id":156,"version":157,"summary_zh":158,"released_at":159},314908,"v0.5.0","1. 新模型和数据集。 2. 4项新任务：预训练、推荐系统、图神经网络攻击与防御、异常事件检测。 3. TensorBoard 可视化。 4. 维护与测试。","2023-07-19T03:02:50",{"id":161,"version":162,"summary_zh":163,"released_at":164},314909,"v0.4.0","1. 新模型\n2. 提供应用程序管道\n3. 更多支持小批量训练的模型\n4. 面向百万级图的基准测试","2023-01-16T15:23:01",{"id":166,"version":167,"summary_zh":168,"released_at":169},314910,"v0.3.0","1. 新模型  \n2. API 使用  \n3. 数据集和模型的定制化","2022-06-26T16:58:18",{"id":171,"version":172,"summary_zh":173,"released_at":174},314911,"v0.2.0","1. 新模型\n2. Space4HGNN\n3. 基准测试与排行榜","2022-03-01T02:05:52",{"id":176,"version":177,"summary_zh":178,"released_at":179},314912,"v0.1.1","1. 在 [OpenI](https:\u002F\u002Fgit.openi.org.cn\u002FGAMMALab\u002FOpenHGNN) 上发布 v0.1.1 版本，并添加中文支持。  \n2. 增加更多模型。  \n3. 添加日志记录功能。  \n4. 在链接预测任务中实现了更多模型。","2022-01-07T07:08:21",{"id":181,"version":182,"summary_zh":183,"released_at":184},314913,"v0.1.0","首次公开发布版本基本包含了仓库中的所有内容。\n\n文档：涵盖基础用法和进阶用法的教程。  \n模型：16个HGNN模型。","2021-09-14T06:07:30"]