Descrição
O repositório tkipf/relational-gcn oferece uma implementação baseada em Keras de Redes Convolucionais de Grafos Relacionais (R-GCNs). Esta ferramenta é especificamente projetada para tarefas de classificação semi-supervisionada de nós em grafos relacionais direcionados. Ela serve como um recurso valioso para pesquisadores e profissionais que visam replicar ou expandir os achados apresentados no artigo "Modeling Relational Data with Graph Convolutional Networks" (2017).
Ler mais
A implementação foca no aspecto de classificação de entidades da modelagem de dados relacionais. Os usuários podem utilizar este código para experimentar com R-GCNs em vários conjuntos de dados, incluindo AIFB, MUTAG, BGS e AM, conforme detalhado nas instruções de uso. O projeto enfatiza a importância de versões específicas de dependências, recomendando Keras 1.2.1 e Theano 0.9.0, pois versões mais recentes do Keras podem interromper a API de matrizes esparsas do Theano. Embora o TensorFlow possa ser usado como backend, os usuários devem estar cientes de potenciais limitações em relação ao tamanho da matriz esparsa.
Para garantir a reprodução precisa dos resultados experimentais, o repositório fornece instruções claras para a preparação de conjuntos de dados e treinamento de modelos. Ele também inclui orientações sobre a configuração do backend do Keras para Theano e a imposição da execução em CPU, o que é recomendado devido a potenciais limitações de memória da GPU para certos experimentos. O projeto é licenciado sob a licença MIT, promovendo acesso aberto e modificação. O artigo associado, citado como [1], oferece uma compreensão teórica mais profunda do modelo R-GCN e suas aplicações na modelagem de dados relacionais.
Esta implementação é particularmente útil para aqueles que trabalham com dados estruturados em grafos onde as relações entre entidades são cruciais. Ela permite a aplicação de técnicas avançadas de aprendizado profundo para entender e classificar nós dentro de redes relacionais complexas. O código está publicamente disponível no GitHub, promovendo colaboração e desenvolvimento futuro dentro da comunidade de redes neurais de grafos.
- CategoriaModelos de IA e LLMs
- Modelo de preçosCódigo aberto
- ImplantaçãoAuto-hospedado
- PlataformasLinux, macOS, Windows
Recursos principais de Redes Convolucionais de Grafos Relacionais
Implementação baseada em Keras
Redes Convolucionais de Grafos Relacionais (R-GCNs)
Classificação semi-supervisionada de nós
Suporta grafos relacionais direcionados
Código para reprodução de classificação de entidades
Scripts de preparação de dataset incluídos
Scripts de treinamento de modelo fornecidos
Orientação sobre gerenciamento de dependências
Opção de imposição de execução em CPU
Licença MIT
Primeiros passos com Redes Convolucionais de Grafos Relacionais
Instalar dependências: Execute 'python setup.py install' após garantir versões compatíveis de Keras e Theano.
Configurar backend Keras: Crie '~/.keras/keras.json' para definir 'backend' como 'theano'.
Preparar dataset: Execute 'python prepare_dataset.py -d <nome_do_dataset>' para datasets específicos (ex: aifb, mutag).
Impor execução em CPU: Use 'CUDA_VISIBLE_DEVICES=' antes do comando de treinamento.
Treinar o modelo: Execute 'python train.py -d <nome_do_dataset> --bases <num> --hidden <num> --l2norm <valor> --testing'.
Reproduzir resultados do artigo: Siga as instruções específicas do dataset para AIFB, MUTAG, BGS e AM.
Adaptar para novas tarefas: Modifique os scripts para datasets personalizados ou variações de tarefas de grafos relacionais.
Casos de uso de Redes Convolucionais de Grafos Relacionais
- Classificação de Nós
- Classificação de Entidades
- Modelagem de Dados Relacionais
- Pesquisa em Redes Neurais de Grafos
- Aprendizado de Máquina Baseado em Grafos
