الوصف
يستضيف هذا المستودع التطبيقات الرسمية لنماذج PPNP (Predict then Propagate) و APPNP (Approximate Personalized PageRank)، كما هو مفصل في ورقة ICLR 2019 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" بواسطة Gasteiger و Bojchevski و Günnemann. يوفر المشروع إصدارات TensorFlow و PyTorch لهذه النماذج المتقدمة للشبكات العصبية الرسومية.
قراءة المزيد
الهدف الأساسي لهذا المستودع هو تزويد الباحثين والمطورين بكود سهل الوصول للاستفادة من هذه النماذج للمهام التي تتضمن بيانات منظمة على شكل رسوم بيانية. تم تصميم التطبيقات لتكون سهلة الاستخدام، مع أمثلة وتعليمات واضحة لإعادة إنتاج النتائج المقدمة في الورقة الأصلية. هذا يسهل المزيد من البحث وتطبيق مفاهيم Personalized PageRank ضمن إطار عمل GNN.
تشمل القدرات الرئيسية القدرة على إجراء تصنيف الرسوم البيانية وتنبؤات أخرى على مستوى العقدة أو على مستوى الرسم البياني من خلال الجمع بفعالية بين آليات الانتشار والنماذج التنبؤية. النماذج مناسبة بشكل خاص للسيناريوهات التي يكون فيها فهم أهمية العقدة وتأثيرها داخل الشبكة أمرًا بالغ الأهمية. يتضمن المستودع أيضًا أدوات لمعالجة البيانات، مثل تحويل رسوم NetworkX البيانية إلى تنسيق SparseGraph الخاص بالمشروع، مما يتيح استخدام مجموعات بيانات مخصصة.
يشمل الجمهور المستهدف لهذا المستودع باحثي التعلم الآلي وعلماء البيانات والمهندسين الذين يعملون مع الشبكات العصبية الرسومية وتحليل الشبكات والمجالات ذات الصلة. سيجد المطورون الذين يتطلعون إلى تنفيذ أو تجربة أحدث معماريات GNN للمهام مثل التنبؤ بالروابط أو تصنيف العقد أو أنظمة التوصية هذا المورد قيمًا.
تكمن القيمة المقترحة في توفير تطبيق مفتوح المصدر وموثق جيدًا لنماذج الشبكات العصبية الرسومية القوية التي تسد الفجوة بين خوارزميات الرسوم البيانية التقليدية مثل Personalized PageRank وتقنيات التعلم العميق الحديثة. يعزز توفر إصدارات TensorFlow و PyTorch المرونة والتبني عبر بيئات التطوير المختلفة.
- الفئةنماذج الذكاء الاصطناعي ونماذج اللغة الكبيرة
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتالويب
الميزات الأساسية لـ نماذج PPNP و APPNP
تطبيق TensorFlow لنماذج PPNP و APPNP
تطبيق PyTorch لنماذج PPNP و APPNP
كود لإعادة إنتاج النتائج من ورقة ICLR 2019
دفاتر ملاحظات أمثلة للتكامل السهل (simple_example_pytorch.ipynb, simple_example_tensorflow.ipynb)
أدوات لتحويل رسوم NetworkX إلى تنسيق SparseGraph
يشمل مجموعات بيانات مثل Cora-ML و Citeseer و PubMed
يدعم مهام التعلم الآلي المستندة إلى الرسوم البيانية
مبني على ورقة "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"
كود مفتوح المصدر متاح على GitHub
البدء مع نماذج PPNP و APPNP
الوصول إلى النموذج: استنسخ مستودع GitHub إلى جهازك المحلي.
إعداد البيئة: قم بتثبيت الحزم المطلوبة باستخدام `pip install -r requirements.txt`.
التكامل عبر API: قم باستيراد واستخدام فئات نماذج PPNP أو APPNP ضمن نصوص Python الخاصة بك.
تشغيل الأمثلة: قم بتنفيذ دفاتر Jupyter المقدمة (`simple_example_pytorch.ipynb` أو `simple_example_tensorflow.ipynb`) لرؤية النماذج أثناء العمل.
إعادة إنتاج النتائج: استخدم `reproduce_results.ipynb` لتكرار النتائج التجريبية من الورقة.
معالجة البيانات: استخدم `networkx_to_sparsegraph` للتكامل مع مجموعات البيانات المخصصة.
حالات استخدام نماذج PPNP و APPNP
- تصنيف الرسوم البيانية
- تصنيف العقد
- التنبؤ بالروابط
- أنظمة التوصية
- تحليل الشبكات
- التعلم على الرسوم البيانية ذات السمات
