StellarGraph 机器学习库

StellarGraph是一个 Python 库，用于在图形和网络上进行机器学习。

目录

• 介绍
• 入门
• 获得帮助
• 示例：GCN
• 算法
• 安装
  • 使用 PyPI 安装 StellarGraph
  • 在 Anaconda Python 中安装 StellarGraph
  • 从 GitHub 源安装 StellarGraph
• 引用
• 参考

介绍

StellarGraph 库为图机器学习提供了最先进的算法，使发现模式和回答有关图结构数据的问题变得容易。它可以解决许多机器学习任务：

• 节点和边的表示学习，用于可视化和各种下游机器学习任务；
• 节点或边的分类和属性推断；
• 整图分类；
• 链接预测；
• 节点分类解读[8]。

图结构数据将实体表示为节点（或顶点），将实体之间的关系表示为边（或链接），并且可以包括与任一属性相关联的数据。例如，一个图表可以包含人作为节点，他们之间的友谊作为链接，数据包括一个人的年龄和建立友谊的日期。StellarGraph 支持多种图表的分析：

• 同质的（具有一种类型的节点和链接），
• 异构（具有不止一种类型的节点和/或链接）
• 知识图（具有数千种边的极端异构图）
• 带有或不带有与节点关联的数据的图
• 具有边权重的图

StellarGraph 建立在TensorFlow 2及其Keras高级 API以及Pandas和NumPy 之上。因此，它是用户友好的、模块化的和可扩展的。它与基于这些构建的代码（例如标准 Keras 层和scikit-learn ）顺利互操作，因此很容易增强 StellarGraph 提供的核心图机器学习算法。因此，使用Anaconda也很容易安装pip。

入门

大量详细和叙述的示例是开始使用 StellarGraph 的好方法。可能有一个与您的数据或您的问题相似（如果不是，请告诉我们）。

通过单击每个 Jupyter 笔记本中的和标记，您可以立即在 Google Colab 或 Binder 中开始使用示例。

或者，您可以运行下载演示的本地副本并使用jupyter. 可以通过克隆master此存储库的分支或使用以下curl命令来下载演示：

curl -L https://github.com/stellargraph/stellargraph/archive/master.zip | tar -xz --strip=1 stellargraph-master/demos

可以使用以下方法之一安装在本地运行我们的大多数演示笔记本所需的依赖项：

• 使用pip：pip install stellargraph[demos]
• 使用conda：conda install -c stellargraph stellargraph

（有关更多详细信息和更多选项，请参阅安装部分。）

获得帮助

如果您遇到困难或遇到问题，有很多方法可以取得进展并获得帮助或支持：

• 阅读文档
• 查阅示例
• 联系我们：
  • 在 StellarGraph Discourse 论坛上提问和讨论问题
  • 提出问题
  • 发送电子邮件至stellar.admin@csiro.au

示例：GCN

图的最早的深度机器学习算法之一是图卷积网络（GCN）[6]。以下示例将其用于节点分类：预测节点来自的类别。它展示了使用 StellarGraph 应用是多么容易，并展示了 StellarGraph 如何与 Pandas 和 TensorFlow 以及基于它们构建的库顺利集成。

数据准备

可以使用 Pandas 和 scikit-learn 等常用库来准备 StellarGraph 的数据。

import pandas as pd
from sklearn import model_selection

def load_my_data():
    # your own code to load data into Pandas DataFrames, e.g. from CSV files or a database
    ...

nodes, edges, targets = load_my_data()

# Use scikit-learn to compute training and test sets
train_targets, test_targets = model_selection.train_test_split(targets, train_size=0.5)

图机器学习模型

这是 StellarGraph 特有的唯一部分。机器学习模型由一些图卷积层和一个层组成，用于计算作为 TensorFlow 张量的实际预测。GCNStellarGraph 可以通过模型类轻松构建所有这些层。它还可以通过StellarGraph图形数据类型和数据生成器轻松获取正确格式的输入数据。

import stellargraph as sg
import tensorflow as tf

# convert the raw data into StellarGraph's graph format for faster operations
graph = sg.StellarGraph(nodes, edges)

generator = sg.mapper.FullBatchNodeGenerator(graph, method="gcn")

# two layers of GCN, each with hidden dimension 16
gcn = sg.layer.GCN(layer_sizes=[16, 16], generator=generator)
x_inp, x_out = gcn.in_out_tensors() # create the input and output TensorFlow tensors

# use TensorFlow Keras to add a layer to compute the (one-hot) predictions
predictions = tf.keras.layers.Dense(units=len(ground_truth_targets.columns), activation="softmax")(x_out)

# use the input and output tensors to create a TensorFlow Keras model
model = tf.keras.Model(inputs=x_inp, outputs=predictions)

培训和评估

该模型是传统的 TensorFlow Keras 模型，因此训练和评估等任务可以使用 Keras 提供的功能。StellarGraph 的数据生成器使为输入数据构建所需的 Keras 序列变得简单。

# prepare the model for training with the Adam optimiser and an appropriate loss function
model.compile("adam", loss="categorical_crossentropy", metrics=["accuracy"])

# train the model on the train set
model.fit(generator.flow(train_targets.index, train_targets), epochs=5)

# check model generalisation on the test set
(loss, accuracy) = model.evaluate(generator.flow(test_targets.index, test_targets))
print(f"Test set: loss = {loss}, accuracy = {accuracy}")

该算法在其扩展的叙述笔记本中有更详细的说明。我们提供了更多的算法，每个算法都有一个详细的例子。

算法

StellarGraph 库目前包括以下用于图机器学习的算法：

安装

StellarGraph 是一个 Python 3 库，我们建议使用 Python 版本3.6。可以从python.org下载和安装所需的 Python 版本。或者，使用可从anaconda.com获得的 Anaconda Python 环境。

可以从 PyPI、Anaconda Cloud 或直接从 GitHub 安装 StellarGraph 库，如下所述。

使用 PyPI 安装 StellarGraph：

要使用PyPI 从PyPI安装 StellarGraph 库pip，请执行以下命令：

pip install stellargraph

一些示例需要安装额外的依赖项以及stellargraph. pip要使用以下命令安装这些依赖项以及 StellarGraph ：

pip install stellargraph[demos]

社区检测演示需要python-igraph仅在某些平台上可用。除了其他演示要求之外，要安装它：

pip install stellargraph[demos,igraph]

在 Anaconda Python 中安装 StellarGraph：

StellarGraph 库在Anaconda Cloud中可用，可以使用命令行工具安装在Anaconda Pythonconda中，执行以下命令：

conda install -c stellargraph stellargraph

从 GitHub 源安装 StellarGraph：

首先，使用以下命令克隆 StellarGraph 存储库git：

git clone https://github.com/stellargraph/stellargraph.git

然后，cd到 StellarGraph 文件夹，并通过执行以下命令安装库：

cd stellargraph
pip install .

目录中的一些示例demos需要安装其他依赖项以及stellargraph. pip要使用以下命令安装这些依赖项以及 StellarGraph ：

pip install .[demos]

引用

StellarGraph 由CSIRO 的 Data61设计、开发和支持。如果您在研究中使用此库的任何部分，请使用以下 BibTex 条目引用它

@misc{StellarGraph,
  author = {CSIRO's Data61},
  title = {StellarGraph Machine Learning Library},
  year = {2018},
  publisher = {GitHub},
  journal = {GitHub Repository},
  howpublished = {\url{https://github.com/stellargraph/stellargraph}},
}

参考

1. 大图上的归纳表示学习。WL Hamilton、R. Ying 和 J. Leskovec。神经信息处理系统 (NIPS)，2017。（链接 网页）

2. Node2Vec：网络的可扩展特征学习。A.格罗弗，J. Leskovec。ACM SIGKDD 知识发现和数据挖掘 (KDD) 国际会议，2016。（链接）

3. Metapath2Vec：异构网络的可扩展表示学习。Yuxiao Dong、Nitesh V. Chawla 和 Ananthram Swami。ACM SIGKDD 知识发现和数据挖掘国际会议 (KDD), 135–144, 2017 (链接)

4. 通过子空间发现进行归因网络嵌入。D. Zhang、Y. Jie、X. Zhu 和 C. Zhang，数据挖掘和知识发现，2019。（链接）

5. 图注意网络。P. Veličković 等人。2018 年国际学习表征会议 (ICLR)（链接）

6. 图卷积网络 (GCN)：使用图卷积网络的半监督分类。托马斯·N·基普夫，马克斯·威灵。学习表征国际会议 (ICLR), 2017 (链接)

7. 简化图卷积网络。F. Wu、T. Zhang、AH de Souza、C. Fifty、T. Yu 和 KQ Weinberger。机器学习国际会议 (ICML)，2019。（链接）

8. 图数据的对抗性示例：深入了解攻击和防御。H. Wu、C. Wang、Y. Tyshetskiy、A. Docherty、K. Lu 和 L. Zhu。IJCAI 2019。（链接）

9. 预测然后传播：图神经网络满足个性化的 PageRank。J. Klicpera、A. Bojchevski、A. 和 S. Günnemann，ICLR，2019，arXiv：1810.05997。（链接）

10. Cluster-GCN：一种用于训练深度和大型图卷积网络的有效算法。W. Chiang、X. Liu、S. Si、Y. Li、S. Bengio 和 C. Hsiej，KDD，2019，arXiv：1905.07953。（链接）

11. 使用图卷积网络对关系数据进行建模。M. Schlichtkrull、TN Kipf、P. Bloem、R. Van Den Berg、I. Titov 和 M. Welling，欧洲语义网会议（2018 年），arXiv：1609.02907（链接）。

12. 用于简单链接预测的复杂嵌入。T. Trouillon、J. Welbl、S. Riedel、É. Gaussier 和 G. Bouchard，ICML 2016。（链接）

13. 通过扩散小波学习结构节点嵌入。C. Donnat、M. Zitnik、D. Hallac 和 J. Leskovec，SIGKDD，2018，arXiv:1710.10321（链接）

14. 注意你的步骤：通过 Graph Attention 学习节点嵌入。S. Abu-El-Haija、B. Perozzi、R. Al-Rfou 和 A. Alemi，NIPS，2018 年。arXiv:1710.09599（链接）

15. 深度图信息最大值。P. Veličković、W. Fedus、WL Hamilton、P. Lio、Y. Bengio、RD Hjelm、ICLR，2019，arXiv:1809.10341（链接）。

16. 连续时间动态网络嵌入。Giang Hoang Nguyen、John Boaz Lee、Ryan A. Rossi、Nesreen K. Ahmed、Eunyee Koh 和 Sungchul Kim。2018 年第三届大网络学习表征国际研讨会 (WWW BigNet) 论文集。（链接）

17. 在知识库中嵌入用于学习和推理的实体和关系。Bishan Yang, Wen-tau Yih, Xiaodong He, Jianfeng Gao, and Li Deng, ICLR, 2015. arXiv:1412.6575（链接）

18. 图分类的端到端深度学习架构。Muhan Zhang、Zhicheng Cui、Marion Neumann 和 Yixin Chen，AAAI，2018。（链接）

19. T-GCN：用于交通预测的时间图卷积网络。Ling Zhao, Yujiao Song, Chao Zhang, Yu Liu, Pu Wang, Tao Lin, Min Deng, and Haifeng Li.IEEE Transactions on Intelligent Transportation Systems, 2019。（链接）