gcn

图形卷积网络

这是图形卷积网络的张量实现，如我们的论文中所述（半监督）节点分类的任务，如我们的论文中所述：

Thomas N. Kipf，Max Welling，与图形卷积网络的半监督分类（ICLR 2017）

有关高级解释，请查看我们的博客文章：

Thomas Kipf，图形卷积网络（2016）

安装

python setup.py install

要求

• TensorFlow（> 0.12）
• NetworkX

运行演示

 cd gcn
python train.py

数据

为了使用自己的数据，您必须提供

• n n by n邻接矩阵（n是节点的数量），
• an n by D特征矩阵（D是每个节点的功能数），并且
• n by e二进制标签矩阵（E是类的数量）。

在utils.py中查看load_data()函数以获取示例。

在此示例中，我们加载引文网络数据（Cora，Citeseer或PubMed）。可以在此处找到原始数据集：http：//www.cs.umd.edu/~sen/lbc-proj/lbc.html。在我们的版本（请参阅data文件夹）中，我们使用https://github.com/kimiyoung/planetoid提供的数据集拆分（Zhilin Yang，William W. Cohen，Ruslan Salakhutdinov，Revising semi-supersing semi-supersing semi-supervisting semi-supervisting semi-supervisting semi-supervising a Graph emperdings in Graph Embedings，icml 2016）。

您可以按以下方式指定数据集：

python train.py --dataset citeseer

（或通过编辑train.py ）

型号

您可以在以下模型之间进行选择：

• gcn ：图形卷积网络（Thomas N. Kipf，Max Welling，与图形卷积网络的半监督分类，2016年）
• gcn_cheby ：Chebyshev多项式版本的图形卷积网络（MichaëlDefferrard，Xavier Bresson，Pierre Vandergheynst，具有快速局部光谱滤波的图形上的卷积神经网络，NIPS，NIPS，NIPS 2016）
• dense ：支持稀疏输入的基本多层感知器

图形分类

我们的框架还支持与每个邻接矩阵的多个图形实例（潜在不同大小）的分类分类。最好将各自的特征矩阵连接并构建一个（稀疏）块对基矩阵，其中每个块对应于一个图实例的邻接矩阵。对于汇总（对于图形输出而不是节点级输出），最好指定一个简单的池矩阵，该矩阵从其各自的图形实例中收集功能，如下所示：

引用

如果您在自己的工作中使用此代码，请引用我们的论文：

 @inproceedings{kipf2017semi,
  title={Semi-Supervised Classification with Graph Convolutional Networks},
  author={Kipf, Thomas N. and Welling, Max},
  booktitle={International Conference on Learning Representations (ICLR)},
  year={2017}
}