描述
此存储库托管了 PPNP（Predict then Propagate）和 APPNP（Approximate Personalized PageRank）模型的官方实现，正如 Gasteiger、Bojchevski 和 Günnemann 在 ICLR 2019 论文“Predict then Propagate: Graph Neural Networks meet Personalized PageRank”中所述。该项目提供了这两种先进图神经网络模型的 TensorFlow 和 PyTorch 版本。
阅读更多
此存储库的主要目标是为研究人员和开发人员提供易于访问的代码，以便他们能够利用这些模型处理图结构数据。这些实现的设计旨在易于使用，并包含清晰的示例和说明，用于复现原始论文中呈现的结果。这有助于在 GNN 框架内进一步研究和应用个性化 PageRank 的概念。
关键功能包括通过有效地结合传播机制和预测模型来进行图分类和其他节点级或图级预测的能力。这些模型特别适用于理解网络中节点重要性和影响至关重要的场景。该存储库还包括数据处理工具，例如将 NetworkX 图转换为项目的 SparseGraph 格式，从而可以使用自定义数据集。
此存储库的目标受众包括机器学习研究人员、数据科学家以及从事图神经网络、网络分析及相关领域的工程师。希望为链接预测、节点分类或推荐系统等任务实现或试验最先进 GNN 架构的开发人员会发现此资源很有价值。
其价值主张在于提供了一个文档齐全、开源的强大图神经网络模型实现，该实现弥合了传统图算法（如个性化 PageRank）与现代深度学习技术之间的差距。同时提供 TensorFlow 和 PyTorch 版本增强了灵活性并促进了在不同开发环境中的采用。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署云端, 自托管
- 平台网页版
PPNP & APPNP 模型的核心功能
PPNP 和 APPNP 模型的 TensorFlow 实现
PPNP 和 APPNP 模型的 PyTorch 实现
用于复现 ICLR 2019 论文结果的代码
易于集成的示例 Notebook（simple_example_pytorch.ipynb, simple_example_tensorflow.ipynb）
用于将 NetworkX 图转换为 SparseGraph 格式的工具
包含 Cora-ML、Citeseer 和 PubMed 等数据集
支持基于图的机器学习任务
基于论文“Predict then Propagate: Graph Neural Networks meet Personalized PageRank”
GitHub 上提供的开源代码
PPNP & APPNP 模型入门
访问模型：将 GitHub 存储库克隆到您的本地机器。
设置环境：使用 `pip install -r requirements.txt` 安装所需包。
通过 API 集成：在您的 Python 脚本中导入并使用 PPNP 或 APPNP 模型类。
运行示例：执行提供的 Jupyter Notebook（`simple_example_pytorch.ipynb` 或 `simple_example_tensorflow.ipynb`）以查看模型运行情况。
复现结果：使用 `reproduce_results.ipynb` 来复现论文中呈现的实验结果。
数据处理：使用 `networkx_to_sparsegraph` 来集成自定义数据集。
PPNP & APPNP 模型的使用案例
- 图分类
- 节点分类
- 链接预测
- 推荐系统
- 网络分析
- 属性图学习
