Model PPNP & APPNP

Deskripsi

Repositori ini menampung implementasi resmi model PPNP (Predict then Propagate) dan APPNP (Approximate Personalized PageRank), seperti yang dirinci dalam makalah ICLR 2019 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" oleh Gasteiger, Bojchevski, dan Günnemann. Proyek ini menawarkan versi TensorFlow dan PyTorch dari model jaringan saraf graf tingkat lanjut ini.

Tujuan utama repositori ini adalah untuk menyediakan kode yang dapat diakses bagi peneliti dan pengembang untuk memanfaatkan model-model ini untuk tugas-tugas yang melibatkan data terstruktur graf. Implementasi dirancang agar mudah digunakan, dengan contoh dan instruksi yang jelas untuk mereproduksi hasil yang disajikan dalam makalah asli. Hal ini memfasilitasi penelitian lebih lanjut dan penerapan konsep Personalized PageRank dalam kerangka GNN.

Kemampuan utama meliputi kemampuan untuk melakukan klasifikasi graf dan prediksi tingkat node atau tingkat graf lainnya dengan menggabungkan mekanisme propagasi dengan model prediktif secara efektif. Model ini sangat cocok untuk skenario di mana pemahaman tentang pentingnya node dan pengaruh dalam jaringan sangat penting. Repositori ini juga menyertakan utilitas untuk penanganan data, seperti mengonversi graf NetworkX ke format SparseGraph proyek, yang memungkinkan penggunaan dataset kustom.

Audiens target untuk repositori ini meliputi peneliti machine learning, ilmuwan data, dan insinyur yang bekerja dengan jaringan saraf graf, analisis jaringan, dan bidang terkait. Pengembang yang ingin mengimplementasikan atau bereksperimen dengan arsitektur GNN mutakhir untuk tugas-tugas seperti prediksi tautan, klasifikasi node, atau sistem rekomendasi akan menemukan sumber daya ini berharga.

Proposisi nilai terletak pada penyediaan implementasi sumber terbuka yang terdokumentasi dengan baik dari model jaringan saraf graf yang kuat yang menjembatani kesenjangan antara algoritma graf tradisional seperti Personalized PageRank dan teknik deep learning modern. Ketersediaan versi TensorFlow dan PyTorch meningkatkan fleksibilitas dan adopsi di berbagai lingkungan pengembangan.

Sorotan Model PPNP & APPNP

• Implementasi TensorFlow dari model PPNP dan APPNP

• Implementasi PyTorch dari model PPNP dan APPNP

• Kode untuk mereproduksi hasil dari makalah ICLR 2019

• Contoh notebook untuk integrasi yang mudah (simple_example_pytorch.ipynb, simple_example_tensorflow.ipynb)

• Utilitas untuk mengonversi graf NetworkX ke format SparseGraph

• Termasuk dataset seperti Cora-ML, Citeseer, dan PubMed

• Mendukung tugas machine learning berbasis graf

• Berdasarkan makalah "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"

• Kode sumber terbuka tersedia di GitHub

Memulai dengan Model PPNP & APPNP

1. 1

   Akses Model: Klon repositori GitHub ke mesin lokal Anda.

2. 2

   Siapkan Lingkungan: Instal paket yang diperlukan menggunakan `pip install -r requirements.txt`.

3. 3

   Integrasi melalui API: Impor dan gunakan kelas model PPNP atau APPNP dalam skrip Python Anda.

4. 4

   Jalankan Contoh: Eksekusi notebook Jupyter yang disediakan (`simple_example_pytorch.ipynb` atau `simple_example_tensorflow.ipynb`) untuk melihat model beraksi.

5. 5

   Reproduksi Hasil: Gunakan `reproduce_results.ipynb` untuk mereplikasi hasil eksperimental dari makalah.

6. 6

   Penanganan Data: Gunakan `networkx_to_sparsegraph` untuk integrasi dataset kustom.

Kasus Penggunaan Model PPNP & APPNP

• Klasifikasi Graf
• Klasifikasi Node
• Prediksi Tautan
• Sistem Rekomendasi
• Analisis Jaringan
• Pembelajaran Graf Beratribut

FAQ dari Model PPNP & APPNP

• Apa itu model PPNP dan APPNP?

  PPNP dan APPNP adalah model Jaringan Saraf Graf yang menggabungkan mekanisme propagasi dengan konsep Personalized PageRank, seperti yang dirinci dalam makalah ICLR 2019 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank."

• Bahasa pemrograman dan kerangka kerja apa yang didukung?

  Repositori menyediakan implementasi dalam TensorFlow (versi >=1.6, <2.0) dan PyTorch (versi >=1.5).

• Bagaimana cara memulai dengan model PPNP/APPNP?

  Cara termudah untuk memulai adalah dengan menjelajahi notebook `simple_example_pytorch.ipynb` atau `simple_example_tensorflow.ipynb` yang disediakan dalam repositori.

• Bisakah saya mereproduksi hasil dari makalah?

  Ya, notebook `reproduce_results.ipynb` disertakan untuk mendemonstrasikan cara mereproduksi hasil yang disajikan dalam makalah asli.

• Apa saja dependensi untuk repositori ini?

  Dependensi utama meliputi numpy, scipy, TensorFlow (>=1.6,<2.0), dan PyTorch (>=1.5). NetworkX diperlukan untuk metode konversi data tertentu.

• Bagaimana cara menginstal paket yang diperlukan?

  Anda dapat menginstal semua persyaratan dengan menjalankan `pip install -r requirements.txt` di lingkungan Anda.

• Bisakah saya menggunakan dataset saya sendiri dengan model ini?

  Ya, Anda dapat menggunakan dataset kustom. Metode `networkx_to_sparsegraph` di `ppnp.data.io` dapat membantu mengonversi graf NetworkX ke format SparseGraph yang diperlukan.

• Dataset apa saja yang disertakan dalam repositori?

  Repositori menyertakan beberapa dataset di folder `data`, seperti Cora-ML, Citeseer, dan PubMed, bersama dengan referensi ke sumber aslinya.

• Siapa penulis model PPNP dan APPNP?

  Model-model ini diusulkan oleh Johannes Gasteiger (sebelumnya Johannes Klicpera), Aleksandar Bojchevski, dan Stephan Günnemann.

• Di mana makalah itu diterbitkan?

  Makalah "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" diterbitkan di ICLR 2019 (International Conference on Learning Representations).

• Apa lisensi untuk kode ini?

  Kode dirilis di bawah lisensi MIT.

• Bagaimana cara mengutip karya ini?

  Anda dapat mengutip makalah menggunakan entri BibTeX yang disediakan: @inproceedings{gasteiger_predict_2019, title = {Predict then Propagate: Graph Neural Networks meet Personalized PageRank}, author = {Gasteiger, Johannes and Bojchevski, Aleksandar and G{"u}nnemann, Stephan}, booktitle={International Conference on Learning Representations (ICLR)}, year = {2019} }