Описание
Этот репозиторий содержит официальные реализации моделей PPNP (Predict then Propagate) и APPNP (Approximate Personalized PageRank), как подробно описано в статье ICLR 2019 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" авторов Gasteiger, Bojchevski и Günnemann. Проект предлагает версии этих передовых моделей графовых нейронных сетей как на TensorFlow, так и на PyTorch.
Читать далее
Основная цель этого репозитория — предоставить исследователям и разработчикам доступный код для использования этих моделей в задачах, связанных с графовыми данными. Реализации разработаны так, чтобы их было легко использовать, с четкими примерами и инструкциями для воспроизведения результатов, представленных в оригинальной статье. Это способствует дальнейшим исследованиям и применению концепций Personalized PageRank в рамках GNN.
Ключевые возможности включают способность выполнять классификацию графов и другие предсказания на уровне узлов или графов путем эффективного сочетания механизмов распространения с предиктивными моделями. Модели особенно подходят для сценариев, где понимание важности узлов и их влияния в сети имеет решающее значение. Репозиторий также включает утилиты для обработки данных, такие как преобразование графов NetworkX в формат SparseGraph проекта, что позволяет использовать пользовательские наборы данных.
Целевая аудитория этого репозитория включает исследователей в области машинного обучения, специалистов по данным и инженеров, работающих с графовыми нейронными сетями, сетевым анализом и смежными областями. Разработчики, желающие внедрить или экспериментировать с современными архитектурами GNN для таких задач, как предсказание связей, классификация узлов или рекомендательные системы, найдут этот ресурс ценным.
Ценностное предложение заключается в предоставлении хорошо документированной реализации мощных моделей графовых нейронных сетей с открытым исходным кодом, которая устраняет разрыв между традиционными графовыми алгоритмами, такими как Personalized PageRank, и современными методами глубокого обучения. Доступность версий как на TensorFlow, так и на PyTorch повышает гибкость и адаптацию в различных средах разработки.
- КатегорияИИ-модели и LLM
- Модель ценообразованияОткрытый код
- РазвёртываниеОблако, На своём сервере
- ПлатформыВеб
Основные функции Модели PPNP и APPNP
Реализация моделей PPNP и APPNP на TensorFlow
Реализация моделей PPNP и APPNP на PyTorch
Код для воспроизведения результатов статьи ICLR 2019
Примеры блокнотов для легкой интеграции (simple_example_pytorch.ipynb, simple_example_tensorflow.ipynb)
Утилиты для преобразования графов NetworkX в формат SparseGraph
Включает наборы данных, такие как Cora-ML, Citeseer и PubMed
Поддерживает задачи машинного обучения на основе графов
Основано на статье "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"
Код с открытым исходным кодом доступен на GitHub
Начало работы с Модели PPNP и APPNP
Доступ к модели: Клонируйте репозиторий GitHub на свою локальную машину.
Настройка среды: Установите необходимые пакеты, выполнив `pip install -r requirements.txt`.
Интеграция через API: Импортируйте и используйте классы моделей PPNP или APPNP в своих скриптах Python.
Запуск примеров: Выполните предоставленные блокноты Jupyter (`simple_example_pytorch.ipynb` или `simple_example_tensorflow.ipynb`), чтобы увидеть модели в действии.
Воспроизведение результатов: Используйте `reproduce_results.ipynb` для воспроизведения экспериментальных результатов из статьи.
Обработка данных: Используйте `networkx_to_sparsegraph` для интеграции пользовательских наборов данных.
Варианты использования Модели PPNP и APPNP
- Классификация графов
- Классификация узлов
- Предсказание связей
- Рекомендательные системы
- Сетевой анализ
- Обучение на графах с атрибутами
