图表示学习

本仓库是我们博客系列《详解：图表示学习》的补充。该系列已涵盖了以下几篇重要论文及其对应的博客，并且我们计划继续添加该领域其他一些重要工作的博客。

环境搭建

克隆 Git 仓库：

git clone https://github.com/dsgiitr/graph_nets.git

主要依赖 Python 3 和 PyTorch 1.3.0。requirements.txt 文件列出了其他依赖项。要安装所有依赖，请运行以下命令：

pip install -r requirements.txt

1. 理解 DeepWalk

这是一种无监督的在线学习方法，灵感来源于自然语言处理中的 word2vec，但其目标是生成节点嵌入。

• DeepWalk 博客
• Jupyter Notebook
• 代码
• 论文 -> DeepWalk: 社交网络表示的在线学习

2. 回顾：图卷积网络（GCN）

GCN 借鉴了卷积神经网络的思想，并将其重新定义以适应非欧几里得数据域。它们之所以称为卷积网络，是因为与典型的 GNN 不同，滤波器参数通常在整个图中共享。

• GCN 博客
• Jupyter Notebook
• 代码
• 论文 -> 基于图卷积网络的半监督分类

3. Graph SAGE（采样与聚合）

以往的方法大多是归纳式的，无法自然地推广到未见过的节点。GraphSAGE 是一种基于节点特征信息的归纳式框架，能够高效地生成节点嵌入。

• GraphSAGE 博客
• Jupyter Notebook
• 代码
• 论文 -> 大型图上的归纳表示学习

4. ChebNet：基于快速局部化谱滤波的图上 CNN

ChebNet 是在谱图理论背景下对 CNN 的一种形式化。

• ChebNet 博客
• Jupyter Notebook
• 代码
• 论文 -> 基于快速局部化谱滤波的图上卷积神经网络

5. 理解图注意力网络

GAT 能够对邻居节点的特征进行注意力机制加权，从而为同一邻域内的不同节点分配不同的权重，而无需进行任何昂贵的矩阵运算，也不需要事先知道图的结构。

• GAT 博客
• Jupyter Notebook
• 代码
• 论文 -> 图注意力网络

引用

请使用以下条目来引用本博客：

@misc{graph_nets,
  author = {A. Dagar and A. Pant and S. Gupta and S. Chandel},
  title = {graph_nets},
  year = {2020},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/dsgiitr/graph_nets}},
}

graph_nets 快速上手指南

graph_nets 是一个开源项目，旨在通过代码和博客系列详解图表示学习（Graph Representation Learning）的核心算法。本项目涵盖了 DeepWalk、GCN、GraphSAGE、ChebNet 和 GAT 等经典模型的实现。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：Python 3.x
• 核心框架：PyTorch 1.3.0 或更高版本
• 其他依赖：详见项目根目录下的 requirements.txt 文件

提示：国内开发者建议使用清华源或阿里源加速 Python 包的安装。

安装步骤

1. 克隆项目仓库

使用 git 将代码库下载到本地：

git clone https://github.com/dsgiitr/graph_nets.git

2. 进入项目目录

cd graph_nets

3. 安装依赖

推荐使用国内镜像源安装所有必要的依赖包：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注：如果默认源下载 PyTorch 较慢，可访问 PyTorch 官网 获取针对您环境的特定安装命令（推荐选择国内镜像）。

基本使用

本项目为每个算法提供了独立的代码文件和配套的 Jupyter Notebook 教程。以下是以最经典的 GCN (图卷积网络) 为例的快速运行方式。

方式一：运行 Jupyter Notebook（推荐）

Notebook 文件包含了详细的博客讲解和可交互的代码，最适合学习和调试。

1. 启动 Jupyter Notebook：

   jupyter notebook
   

2. 在浏览器中导航至 GCN 文件夹。
3. 打开并运行 GCN_Blog+Code.ipynb。
4. 按顺序执行单元格即可看到模型训练过程和结果。

方式二：直接运行 Python 脚本

如果您只想快速测试代码逻辑，可以直接运行对应的 .py 文件。

以运行 GCN 代码为例：

python GCN/GCN.py

其他可用模块

项目包含以下主要算法模块，使用方法同上（进入对应文件夹运行 Notebook 或脚本）：

算法名称	文件夹路径	核心脚本
DeepWalk	DeepWalk/	DeepWalk.py
GCN	GCN/	GCN.py
GraphSAGE	GraphSAGE/	GraphSAGE.py
ChebNet	ChebNet/	coarsening.py
GAT	GAT/	GAT_PyG.py

建议优先阅读各文件夹下的 Blog+Code.ipynb 文件，以深入理解算法原理与代码实现的对应关系。