图自动编码器

这是我们在论文中描述的（变分）图自动编码器模型的 TensorFlow 实现：

T. N. Kipf, M. Welling，《变分图自动编码器》，NIPS 贝叶斯深度学习研讨会（2016 年）

图自动编码器（GAEs）是一类端到端可训练的神经网络模型，用于图上的无监督学习、聚类和链接预测。

图自动编码器已成功应用于：

• 大规模关系数据中的链接预测：M. Schlichtkrull & T. N. Kipf 等，《用图卷积网络建模关系数据》（2017 年）；
• 带有辅助信息的矩阵补全/推荐：R. Berg 等，《图卷积矩阵补全》（2017 年）。

图自动编码器基于图卷积网络（GCNs），这是一类用于图上端到端（半）监督学习的最新模型：

T. N. Kipf, M. Welling，《用图卷积网络进行半监督分类》，ICLR（2017 年）。

我们也在博客文章中提供了高层次的介绍：

Thomas Kipf，《图卷积网络》（2016 年）。

安装

python setup.py install

要求

• TensorFlow（1.0 或更高版本）
• Python 2.7
• networkx
• scikit-learn
• scipy

运行演示

python train.py

数据

若要使用您自己的数据，您需要提供：

• 一个 N×N 的邻接矩阵（N 是节点数），以及
• 一个 N×D 的特征矩阵（D 是每个节点的特征数量）——可选

请参阅 input_data.py 中的 load_data() 函数以获取示例。

在本示例中，我们加载引用网络数据（Cora、Citeseer 或 Pubmed）。原始数据集可在以下网址找到：http://linqs.cs.umd.edu/projects/projects/lbc/，以及此处（采用不同格式）：https://github.com/kimiyoung/planetoid。

您可以按如下方式指定数据集：

python train.py --dataset citeseer

（或通过编辑 train.py）

模型

您可以选择以下模型：

• gcn_ae：图自动编码器（使用 GCN 编码器）
• gcn_vae：变分图自动编码器（使用 GCN 编码器）

引用

如果您在自己的工作中使用此代码，请引用我们的论文：

@article{kipf2016variational,
  title={Variational Graph Auto-Encoders},
  author={Kipf, Thomas N and Welling, Max},
  journal={NIPS Workshop on Bayesian Deep Learning},
  year={2016}
}

GAE (Graph Auto-Encoders) 快速上手指南

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 / Windows
• Python 版本：2.7
• 核心框架：TensorFlow 1.0 或更高版本
• 依赖库：
  • networkx
  • scikit-learn
  • scipy

提示：国内用户建议使用清华源或阿里源加速安装依赖。例如： pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow networkx scikit-learn scipy

安装步骤

克隆或下载本项目代码后，进入项目根目录，执行以下命令进行安装：

python setup.py install

基本使用

1. 运行默认示例

安装完成后，直接运行训练脚本即可启动默认的演示（默认加载 Cora 数据集）：

python train.py

2. 指定数据集

您可以通过参数指定其他内置数据集（如 citeseer 或 pubmed）：

python train.py --dataset citeseer

3. 使用自定义数据

若需使用自己的图数据，需准备以下两个矩阵文件，并参考 input_data.py 中的 load_data() 函数格式进行加载：

• 邻接矩阵：N × N 维度（N 为节点数量）
• 特征矩阵：N × D 维度（D 为每个节点的特征数量，可选）

4. 模型选择

在代码中可切换以下两种模型架构：

• gcn_ae：图自编码器（使用 GCN 作为编码器）
• gcn_vae：变分图自编码器（使用 GCN 作为编码器）