SEAL — 基于子图、嵌入和属性的链接预测学习

简介

这是 SEAL（基于子图、嵌入和属性的链接预测学习）的代码实现。SEAL 是一种新颖的链接预测框架，它将链接预测问题系统地转化为子图分类问题。对于每一条目标链接，SEAL 会提取其 h 跳包围子图 A，并构建节点信息矩阵 X（包含节点的结构标签、潜在嵌入以及显式属性）。随后，SEAL 将 (A, X) 输入到图神经网络 (GNN) 中进行链接是否存在性的分类，从而能够同时从图结构特征（来自 A）和潜在/显式特征（来自 X）中学习，以实现链接预测。

更多信息请参阅我们的论文：

M. Zhang 和 Y. Chen，《基于图神经网络的链接预测》，神经信息处理系统进展会议 (NIPS-18)。[PDF]

版本

SEAL 同时提供了 MATLAB 和 Python 两种实现。论文中的实验结果是使用 MATLAB 版本生成的，该版本还包含了其他基线方法的评估代码。而 Python 版本则具有更好的灵活性和可扩展性。

此外，还有一个基于 PyTorch Geometric 的实现 在这里，它在开放图基准 (OGB) 数据集上测试了 SEAL。该实现也支持 Planetoid 数据集，如 Cora 和 CiteSeer，以及自定义的 PyTorch Geometric 数据集。

注意

SEAL 并不需要嵌入或属性。在大多数网络中，SEAL 即使不使用任何嵌入或属性（仅利用纯图结构），也能学习到非常优秀的模型。实验表明，在 X 中加入嵌入甚至可能降低性能。如果我们在 X 中不包含节点嵌入，SEAL 就会成为一个 归纳式 链接预测模型。

引用

如果您觉得此代码有用，请引用我们的论文：

@inproceedings{zhang2018link,
  title={基于图神经网络的链接预测},
  author={Zhang, Muhan 和 Chen, Yixin},
  booktitle={神经信息处理系统进展},
  pages={5165--5175},
  year={2018}
}

Muhan Zhang，圣路易斯华盛顿大学 muhan@wustl.edu 2018年9月5日

SEAL 快速上手指南

SEAL (Subgraphs, Embeddings, and Attributes for Link prediction) 是一个基于图神经网络（GNN）的链路预测框架。它通过将链路预测转化为子图分类问题，同时利用图结构特征和节点属性/嵌入进行预测。

环境准备

SEAL 提供 MATLAB 和 Python 两种实现。鉴于 Python 版本具有更好的灵活性和可扩展性，以下指南以 Python 实现为主。此外，还有一个基于 PyTorch Geometric 的实现版本，支持 OGB、Planetoid（如 Cora, CiteSeer）及自定义数据集。

系统要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：建议 Python 3.6+

前置依赖：

• NumPy
• SciPy
• Scikit-learn
• PyTorch (若使用 PyTorch Geometric 版本)
• PyTorch Geometric (若使用 PyG 版本)

提示：国内用户安装 PyTorch 及相关库时，建议使用清华源或阿里源加速，例如： pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆仓库

根据需求选择标准 Python 实现或 PyTorch Geometric 实现。

选项 A：标准 Python 实现（复现论文结果）

git clone https://github.com/muhanzhang/SEAL.git
cd SEAL

选项 B：PyTorch Geometric 实现（推荐，支持 OGB 等现代数据集）

git clone https://github.com/facebookresearch/SEAL_OGB.git
cd SEAL_OGB

2. 安装依赖

进入对应目录后，安装所需的 Python 包。

对于 选项 B (SEAL_OGB)，通常需要先安装 PyTorch Geometric 及其依赖：

# 安装 PyTorch Geometric 依赖 (请根据你的 CUDA 版本调整 url，此处为 CPU 版本示例)
pip install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric -f https://data.pyg.org/whl/torch-1.9.0+cpu.html

# 安装其他依赖
pip install -r requirements.txt

(注：具体依赖文件请以仓库内实际的 requirements.txt 为准)

基本使用

以下以 PyTorch Geometric 实现 (SEAL_OGB) 为例，展示如何在标准数据集上运行 SEAL。

1. 在 Planetoid 数据集上运行 (例如 Cora)

SEAL_OGB 支持直接运行在 Cora、CiteSeer 等经典数据集上。

python main.py --dataset Cora

2. 在 OGB 数据集上运行 (例如 ogbl-collab)

Open Graph Benchmark (OGB) 是评估图机器学习模型的标准基准。

python main.py --dataset ogbl-collab

3. 关键参数说明

• --dataset: 指定数据集名称。
• --hop: 提取子图的跳数（h-hop enclosing subgraph），默认为 1 或 2。
• --use_feature: 是否使用节点特征。如果不包含节点嵌入，SEAL 将成为一个纯归纳式（inductive）链路预测模型，仅利用图结构信息。

注意： 根据论文实验，在许多网络中，不使用任何嵌入或属性（即仅利用图结构 A）也能获得很好的效果。在某些情况下，向节点信息矩阵 X 中加入嵌入反而可能降低性能。