图卷积网络

这是一个基于 TensorFlow 的图卷积网络实现，用于图中节点的（半监督）分类任务，如我们在论文中所述：

Thomas N. Kipf, Max Welling, 半监督图卷积网络分类（ICLR 2017）

如需高层次的解释，请参阅我们的博客文章：

Thomas Kipf, 图卷积网络（2016）

安装

python setup.py install

要求

• tensorflow (>0.12)
• networkx

运行示例

cd gcn
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 为节点数）；
• 一个 N×D 的特征矩阵（D 为每个节点的特征数量）；
• 一个 N×E 的二值标签矩阵（E 为类别数量）。

请参阅 utils.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）。原始数据集可在此处找到：http://www.cs.umd.edu/~sen/lbc-proj/LBC.html。在我们的版本中（见 data 文件夹），我们使用由 https://github.com/kimiyoung/planetoid 提供的数据集划分（Zhilin Yang、William W. Cohen、Ruslan Salakhutdinov，《重新审视基于图嵌入的半监督学习》, ICML 2016）。

您可以通过以下方式指定数据集：

python train.py --dataset citeseer

（或直接编辑 train.py 文件）

模型

您可以选择以下模型：

• gcn：图卷积网络（Thomas N. Kipf、Max Welling，《半监督图卷积网络分类》，2016）
• gcn_cheby：切比雪夫多项式版本的图卷积网络，如（Michaël Defferrard、Xavier Bresson、Pierre Vandergheynst，《基于快速局部化谱滤波的图卷积神经网络》，NIPS 2016）所述。
• dense：支持稀疏输入的基本多层感知机。

图分类

我们的框架还支持对多个图实例（可能大小不同）进行批量分类，每个图实例都配有邻接矩阵。最佳做法是将各自的特征矩阵拼接起来，并构建一个（稀疏）块对角矩阵，其中每个块对应于一个图实例的邻接矩阵。对于池化操作（当输出为图级别而非节点级别时），最好指定一个简单的池化矩阵，用于从各自图实例中收集特征，如下所示：

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：

@inproceedings{kipf2017semi,
  title={Semi-Supervised Classification with Graph Convolutional Networks},
  author={Kipf, Thomas N. and Welling, Max},
  booktitle={International Conference on Learning Representations (ICLR)},
  year={2017}
}

GCN 快速上手指南

本指南基于 Thomas N. Kipf 与 Max Welling 提出的图卷积网络（Graph Convolutional Networks）TensorFlow 实现，适用于节点半监督分类任务。

环境准备

在开始之前，请确保您的系统满足以下要求：

• Python 环境：建议 Python 3.x
• 核心依赖：
  • tensorflow (版本需 > 0.12)
  • networkx

国内加速建议：安装依赖时推荐使用国内镜像源以提升下载速度。

pip install tensorflow networkx -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

克隆或下载本项目后，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. 运行演示示例

项目内置了 Cora、Citeseer 和 Pubmed 引文网络数据集。进入 gcn 目录并运行训练脚本即可启动默认模型（Cora 数据集）：

cd gcn
python train.py

2. 指定数据集

您可以通过命令行参数切换数据集，例如使用 Citeseer：

python train.py --dataset citeseer

或者直接编辑 train.py 文件修改默认配置。

3. 使用自定义数据

若需使用自己的数据，需准备以下三个矩阵文件，并参考 utils.py 中的 load_data() 函数格式进行加载：

• 邻接矩阵：N × N (N 为节点数)
• 特征矩阵：N × D (D 为每个节点的特征数)
• 标签矩阵：N × E (E 为类别数，二进制表示)

4. 模型选择

在代码中可配置以下三种模型架构：

• gcn: 标准图卷积网络 (Kipf & Welling, 2017)
• gcn_cheby: 基于切比雪夫多项式的图卷积网络 (Defferrard et al., 2016)
• dense: 支持稀疏输入的基础多层感知机