Beschreibung
Dieses Repository beherbergt die offiziellen Implementierungen der PPNP- (Predict then Propagate) und APPNP-Modelle (Approximate Personalized PageRank), wie sie im ICLR 2019 Paper "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" von Gasteiger, Bojchevski und Günnemann detailliert beschrieben werden. Das Projekt bietet sowohl TensorFlow- als auch PyTorch-Versionen dieser fortschrittlichen Graph-Neural-Network-Modelle.
Weiterlesen
Das Hauptziel dieses Repositories ist es, Forschern und Entwicklern zugänglichen Code zur Verfügung zu stellen, um diese Modelle für Aufgaben mit graphstrukturierten Daten zu nutzen. Die Implementierungen sind so konzipiert, dass sie einfach zu verwenden sind, mit klaren Beispielen und Anleitungen zur Reproduktion der im Originalpapier präsentierten Ergebnisse. Dies erleichtert die weitere Forschung und Anwendung von Personalized PageRank-Konzepten im GNN-Framework.
Zu den Kernfunktionen gehört die Fähigkeit, Graphklassifizierung und andere Vorhersagen auf Knoten- oder Graphenebene durchzuführen, indem Propagationsmechanismen effektiv mit prädiktiven Modellen kombiniert werden. Die Modelle eignen sich besonders für Szenarien, in denen das Verständnis der Knotenwichtigkeit und des Einflusses innerhalb eines Netzwerks entscheidend ist. Das Repository enthält auch Dienstprogramme für die Datenverarbeitung, wie z. B. die Konvertierung von NetworkX-Graphen in das SparseGraph-Format des Projekts, was die Verwendung benutzerdefinierter Datensätze ermöglicht.
Die Zielgruppe für dieses Repository umfasst Machine-Learning-Forscher, Datenwissenschaftler und Ingenieure, die mit Graph Neural Networks, Netzwerkanalyse und verwandten Bereichen arbeiten. Entwickler, die State-of-the-Art-GNN-Architekturen für Aufgaben wie Link Prediction, Node Classification oder Empfehlungssysteme implementieren oder damit experimentieren möchten, werden diese Ressource als wertvoll erachten.
Das Wertversprechen liegt in der Bereitstellung einer gut dokumentierten Open-Source-Implementierung leistungsstarker Graph-Neural-Network-Modelle, die die Lücke zwischen traditionellen Graphalgorithmen wie Personalized PageRank und modernen Deep-Learning-Techniken schließen. Die Verfügbarkeit von TensorFlow- und PyTorch-Versionen erhöht die Flexibilität und Akzeptanz in verschiedenen Entwicklungsumgebungen.
- KategorieKI-Modelle & LLMs
- PreismodellOpen Source
- BereitstellungCloud, Selbst gehostet
- PlattformenWeb
PPNP & APPNP Modelle's Kernfunktionen
TensorFlow-Implementierung der PPNP- und APPNP-Modelle
PyTorch-Implementierung der PPNP- und APPNP-Modelle
Code zur Reproduktion von Ergebnissen aus dem ICLR 2019 Paper
Beispiel-Notebooks für einfache Integration (simple_example_pytorch.ipynb, simple_example_tensorflow.ipynb)
Dienstprogramme zur Konvertierung von NetworkX-Graphen in das SparseGraph-Format
Enthält Datensätze wie Cora-ML, Citeseer und PubMed
Unterstützt graphbasierte Machine-Learning-Aufgaben
Basiert auf dem Paper "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"
Open-Source-Code auf GitHub verfügbar
Erste Schritte mit PPNP & APPNP Modelle
Modellzugriff: Klonen Sie das GitHub-Repository auf Ihren lokalen Rechner.
Umgebung einrichten: Installieren Sie die erforderlichen Pakete mit `pip install -r requirements.txt`.
Integration über API: Importieren und nutzen Sie die PPNP- oder APPNP-Modellklassen in Ihren Python-Skripten.
Beispiele ausführen: Führen Sie die bereitgestellten Jupyter-Notebooks (`simple_example_pytorch.ipynb` oder `simple_example_tensorflow.ipynb`) aus, um die Modelle in Aktion zu sehen.
Ergebnisse reproduzieren: Verwenden Sie `reproduce_results.ipynb`, um experimentelle Ergebnisse aus dem Paper zu replizieren.
Datenverarbeitung: Verwenden Sie `networkx_to_sparsegraph` für die Integration benutzerdefinierter Datensätze.
PPNP & APPNP Modelle's Anwendungsfälle
- Graphklassifizierung
- Knotenklassifizierung
- Link-Vorhersage
- Empfehlungssysteme
- Netzwerkanalyse
- Attributed Graph Learning
