gcn

圖形卷積網絡

這是圖形卷積網絡的張量實現，如我們的論文中所述（半監督）節點分類的任務，如我們的論文中所述：

Thomas N. Kipf，Max Welling，與圖形卷積網絡的半監督分類（ICLR 2017）

有關高級解釋，請查看我們的博客文章：

Thomas Kipf，圖形卷積網絡（2016）

安裝

python setup.py install

要求

• TensorFlow（> 0.12）
• NetworkX

運行演示

 cd gcn
python train.py

數據

為了使用自己的數據，您必須提供

• n n by n鄰接矩陣（n是節點的數量），
• an n by D特徵矩陣（D是每個節點的功能數），並且
• n by e二進制標籤矩陣（E是類的數量）。

在utils.py中查看load_data()函數以獲取示例。

在此示例中，我們加載引文網絡數據（Cora，Citeseer或PubMed）。可以在此處找到原始數據集：http：//www.cs.umd.edu/~sen/lbc-proj/lbc.html。在我們的版本（請參閱data文件夾）中，我們使用https://github.com/kimiyoung/planetoid提供的數據集拆分（Zhilin Yang，William W. Cohen，Ruslan Salakhutdinov，Revising semi-supersing semi- supersing semi-supervisting semi-supervisting semi-supervisting semi-supervising a Graph emperdings in Graph Embedings，icml 2016）。

您可以按以下方式指定數據集：

python train.py --dataset citeseer

（或通過編輯train.py ）

型號

您可以在以下模型之間進行選擇：

• gcn ：圖形卷積網絡（Thomas N. Kipf，Max Welling，與圖形卷積網絡的半監督分類，2016年）
• gcn_cheby ：Chebyshev多項式版本的圖形卷積網絡（MichaëlDefferrard，Xavier Bresson，Pierre Vandergheynst，具有快速局部光譜濾波的圖形上的捲積神經網絡，NIPS，NIPS，NIPS 2016）
• dense ：支持稀疏輸入的基本多層感知器

圖形分類

我們的框架還支持與每個鄰接矩陣的多個圖形實例（潛在不同大小）的分類分類。最好將各自的特徵矩陣連接並構建一個（稀疏）塊對基矩陣，其中每個塊對應於一個圖實例的鄰接矩陣。對於匯總（對於圖形輸出而不是節點級輸出），最好指定一個簡單的池矩陣，該矩陣從其各自的圖形實例中收集功能，如下所示：

引用

如果您在自己的工作中使用此代碼，請引用我們的論文：

 @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}
}