Descrição
Este repositório hospeda as implementações oficiais dos modelos PPNP (Predict then Propagate) e APPNP (Approximate Personalized PageRank), conforme detalhado no artigo da ICLR 2019 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" por Gasteiger, Bojchevski e Günnemann. O projeto oferece versões em TensorFlow e PyTorch desses modelos avançados de redes neurais de grafos.
Ler mais
O objetivo principal deste repositório é fornecer a pesquisadores e desenvolvedores código acessível para alavancar esses modelos em tarefas que envolvem dados estruturados em grafos. As implementações são projetadas para serem diretas de usar, com exemplos claros e instruções para reproduzir os resultados apresentados no artigo original. Isso facilita pesquisas e aplicações futuras de conceitos de Personalized PageRank dentro do framework GNN.
As principais capacidades incluem a habilidade de realizar classificação de grafos e outras predições em nível de nó ou de grafo, combinando efetivamente mecanismos de propagação com modelos preditivos. Os modelos são particularmente adequados para cenários onde a compreensão da importância e influência dos nós dentro de uma rede é crucial. O repositório também inclui utilitários para manipulação de dados, como a conversão de grafos NetworkX para o formato SparseGraph do projeto, permitindo o uso de conjuntos de dados personalizados.
O público-alvo deste repositório inclui pesquisadores de machine learning, cientistas de dados e engenheiros que trabalham com redes neurais de grafos, análise de redes e áreas relacionadas. Desenvolvedores que buscam implementar ou experimentar arquiteturas GNN de ponta para tarefas como predição de links, classificação de nós ou sistemas de recomendação encontrarão este recurso valioso.
A proposta de valor reside em fornecer uma implementação open-source bem documentada de modelos poderosos de redes neurais de grafos que preenchem a lacuna entre algoritmos de grafos tradicionais como Personalized PageRank e técnicas modernas de deep learning. A disponibilidade de versões em TensorFlow e PyTorch aumenta a flexibilidade e a adoção em diferentes ambientes de desenvolvimento.
- CategoriaModelos de IA e LLMs
- Modelo de preçosCódigo aberto
- ImplantaçãoNuvem, Auto-hospedado
- PlataformasWeb
Recursos principais de Modelos PPNP & APPNP
Implementação em TensorFlow dos modelos PPNP e APPNP
Implementação em PyTorch dos modelos PPNP e APPNP
Código para reproduzir resultados do artigo da ICLR 2019
Notebooks de exemplo para fácil integração (simple_example_pytorch.ipynb, simple_example_tensorflow.ipynb)
Utilitários para converter grafos NetworkX para o formato SparseGraph
Inclui datasets como Cora-ML, Citeseer e PubMed
Suporta tarefas de machine learning baseadas em grafos
Baseado no artigo "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"
Código open-source disponível no GitHub
Primeiros passos com Modelos PPNP & APPNP
Acessar Modelo: Clone o repositório GitHub para sua máquina local.
Configurar Ambiente: Instale os pacotes necessários usando `pip install -r requirements.txt`.
Integrar via API: Importe e utilize as classes de modelo PPNP ou APPNP em seus scripts Python.
Executar Exemplos: Execute os notebooks Jupyter fornecidos (`simple_example_pytorch.ipynb` ou `simple_example_tensorflow.ipynb`) para ver os modelos em ação.
Reproduzir Resultados: Utilize `reproduce_results.ipynb` para replicar os resultados experimentais do artigo.
Manipulação de Dados: Use `networkx_to_sparsegraph` para integração de datasets personalizados.
Casos de uso de Modelos PPNP & APPNP
- Classificação de Grafos
- Classificação de Nós
- Predição de Links
- Sistemas de Recomendação
- Análise de Redes
- Aprendizado de Grafos Atribuídos
