图神经网络实战（5）——常用图数据集

0. 前言

图数据集往往比单纯的连接集合更丰富，节点和边也可以具有表示分数、颜色、单词等的特征。在输入数据中包含这些附加信息对于生成最佳嵌入至关重要。而由于节点和边的特征与表格(非图)数据集具有相同的结构，意味着神经网络等经典技术可以应用于这些数据。在本节中，我们将介绍两个常见图数据集：Cora 和 Facebook Page-Page。

0. 图数据集介绍

在图神经网络 (Graph Neural Networks, GNN) 中所使用的图数据集通常比 Zachary’s Karate Club 数据集更丰富：它们有更多的节点、更多的边，并且包含节点特征。在本节中，我们将对常用的两个数据集进行介绍，以便让我们对这些图有一个全面的了解，并了解如何用 PyTorch Geometric 处理它们：

• Cora 数据集
• Facebook Page-Page 数据集

2. Cora 数据集

Cora 数据集由 Sen 等人于 2008 年提出，是科学文献中最流行的节点分类数据集。它是一个由 2708 篇出版物组成的网络，其中每个连接都是一个引用。每篇出版物都被描述为一个由 1,433 个唯一单词组成的二进制向量，其中 0 和 1 分别表示没有或存在相应的单词。这种表示法在自然语言处理中也被称为二进制词袋 (bag of words)，我们的目标是将每个节点分类到七个类别之一。
无论数据类型如何，可视化始终是我们了解所面临问题的重要步骤。然而，当图过大时，使用 networkx 等 Python 可视化库将无法进行可视化，因此研究人员为图数据可视化开发了专用工具，我们将使用两个流行的工具：yEd Live 和 Gephi 进行图数据集可视化。
下图是用 yEd Live 绘制的 Cora 数据集图。可以看到橙色为论文对应的节点，绿色为论文之间的连接。一些论文之间的相互连接的非常紧密，以至于形成了论文簇，这些簇比连接不紧密的节点更容易分类。

接下来，导入 Cora 数据集，并用 PyTorch Geometric 库分析其主要特征，PyTorch Geometric 库有一个专门的类，用于下载数据集并返回相关的数据结构。PyTorch Geometric 是深度学习框架 PyTorch 的扩展库，用于简化图神经网络的实现。PyTorch Geometric 的安装与其它 Python 第三方库一样，只需在 shell 中使用 pip 命令即可：

pip installl torch_geometric

(1) 从 PyTorch Geometric 中导入 Planetoid 类：

import torch
from torch_geometric.datasets import Planetoid

(2) 使用 Planetoid 类下载数据集：

dataset = Planetoid(root=".", name="Cora")

(3) Cora 只有一个图，将其存储在 data 变量中：

data = dataset[0]

(4) 打印数据集的相关信息：

print(f'Dataset: {dataset}')
print('---------------')
print(f'Number of graphs: {len(dataset)}')
print(f'Number of nodes: {data.x.shape[0]}')
print(f'Number of features: {dataset.num_features}')
print(f'Number of classes: {dataset.num_classes}')

(5) 输出结果如下所示：

Dataset: Cora()
---------------
Number of graphs: 1
Number of nodes: 2708
Number of features: 1433
Number of classes: 7

(6) 通过 PyTorch Geometric 的专用函数，还可以获得更多详细信息：

# Print information about the graph
print(f'\nGraph:')
print('------')
print(f'Edges are directed: {data.is_directed()}')
print(f'Graph has isolated nodes: {data.has_isolated_nodes()}')
print(f'Graph has loops: {data.has_self_loops()}')

(7) 输出结果如下所示：

Graph:
------
Edges are directed: False
Graph has isolated nodes: False
Graph has loops: False

第一个输出结果输出了节点数、特征和类别的信息，第二个输出则提供了关于图本身的更多信息：边是无向的，每个节点都有邻居，而且图不存在自循环。我们也可以使用 PyTorch Geometric 的 utils 函数测试其他属性。
了解了 Cora 数据集后，我们继续介绍一个更能代表真实世界社交网络规模的数据集，Facebook Page-Page 数据集。

3. Facebook Page-Page 数据集

该数据集由 Rozemberczki 等人于 2019 年提出，它是在 2017 年 11 月使用 Facebook Graph API 创建的。这个数据集包含 22470 个节点，其中每个节点都代表一个 Facebook 页面。当页面之间存在互赞行为时，它们就会被连接起来，节点特征( 128 维向量)根据这些页面所有者撰写的文字描述创建。我们的目标是将每个节点分为四种类别之一：oliticians、companies、television shows 和 governmental organizations。
Facebook Page-Page 数据集与 Cora 数据集类似，是一个具有节点分类任务的社交网络。但与 Cora 相比有如下区别：

• 节点数量更多 (Cora为 2,708 个节点，而 Facebook Page-Page 包含 22,470 个)
• 节点特征的维度较小 (Cora 节点特征维度为 1,433，而 Facebook Page-Page 为 128)
• 目标是将每个节点分为 4 个类别，而不是 7 个类别(类别较少，更容易分类)

下图是使用 Gephi 对数据集进行的可视化的效果。为了提高性能，我们忽略了连接数少的节点。其余节点的大小取决于它们的连接数，而它们的颜色则表示它们所属的类别。

可以按照与 Cora 相同的方法导入 Facebook Page-Page 数据集。

(1) 从 PyTorch Geometric 中导入 FacebookPagePage 类：

from torch_geometric.datasets import FacebookPagePage

(2) 使用 FacebookPagePage 类下载数据集：

dataset = FacebookPagePage(root=".", name="FacebookPagePage")

(3) 将图存储在 data 变量中：

data = dataset[0]

(4) 打印数据集的相关信息：

print(f'Dataset: {dataset}')
print('-----------------------')
print(f'Number of graphs: {len(dataset)}')
print(f'Number of nodes: {data.x.shape[0]}')
print(f'Number of features: {dataset.num_features}')
print(f'Number of classes: {dataset.num_classes}')

输出结果如下所示：

Dataset: FacebookPagePage()
-----------------------
Number of graphs: 1
Number of nodes: 22470
Number of features: 128
Number of classes: 4

(5) 通过 PyTorch Geometric 的专用函数，获得更多详细信息：

print(f'\nGraph:')
print('------')
print(f'Edges are directed: {data.is_directed()}')
print(f'Graph has isolated nodes: {data.has_isolated_nodes()}')
print(f'Graph has loops: {data.has_self_loops()}')

输出结果如下所示：

Graph:
------
Edges are directed: False
Graph has isolated nodes: False
Graph has loops: True

代码 (4) 中的输出结果确认了我们在数据集描述中看到的节点和类别的数量，(5) 中的输出结果表明这个图中有自循环——某些页面连接到它们自身。

(6) 与 Cora 不同，Facebook Page-Page 默认情况下没有训练、评估和测试掩码，我们可以使用 range() 函数创建掩码：

data.train_mask = range(18000)
data.val_mask = range(18001, 20000)
data.test_mask = range(20001, 22470)

(7) PyTorch Geometric 还提供了一个转换函数，可以在加载数据集时计算随机掩码：

import torch_geometric.transforms as T

小结

Cora 和 Facebook Page-Page 是图神经网络领域中经常使用的两个基准图数据集，通常用来比较不同模型的性能。在本节中，介绍了如何使用 PyTorch Geometric 库提供的数据集类加载 Cora 和 Facebook Page-Page 数据集，并探索了两个数据集的主要特征。

系列链接

图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
图神经网络实战（2）——图论基础
图神经网络实战（3）——基于DeepWalk创建节点表示
图神经网络实战（4）——基于Node2Vec改进嵌入质量