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.
Baca Selengkapnya
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.
- KategoriModel AI & LLM
- Model HargaOpen source
- PenerapanCloud, Di-host sendiri
- PlatformWeb
Fitur Inti 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
Akses Model: Klon repositori GitHub ke mesin lokal Anda.
Siapkan Lingkungan: Instal paket yang diperlukan menggunakan `pip install -r requirements.txt`.
Integrasi melalui API: Impor dan gunakan kelas model PPNP atau APPNP dalam skrip Python Anda.
Jalankan Contoh: Eksekusi notebook Jupyter yang disediakan (`simple_example_pytorch.ipynb` atau `simple_example_tensorflow.ipynb`) untuk melihat model beraksi.
Reproduksi Hasil: Gunakan `reproduce_results.ipynb` untuk mereplikasi hasil eksperimental dari makalah.
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
