使用Pytorch Geometric 進行鏈接預測代碼示例
PyTorch Geometric (PyG)是構建圖神經網絡模型和實驗各種圖卷積的主要工具。在本文中我們將通過鏈接預測來對其進行介紹。
鏈接預測答了一個問題:哪兩個節點應該相互鏈接?我們將通過執行“轉換分割”，為建模準備數據。為批處理準備專用的圖數據加載器。在Torch Geometric中構建一個模型，使用PyTorch Lightning進行訓練，并檢查模型的性能。
庫準備
- Torch 這個就不用多介紹了
- Torch Geometric 圖形神經網絡的主要庫，也是本文介紹的重點
- PyTorch Lightning 用于訓練、調優和驗證模型。它簡化了訓練的操作
- Sklearn Metrics和Torchmetrics 用于檢查模型的性能。
- PyTorch Geometric有一些特定的依賴關系，如果你安裝有問題，請參閱其官方文檔。
數據準備
我們將使用Cora ML引文數據集。數據集可以通過Torch Geometric訪問。
data = tg.datasets.CitationFull(root="data", name="Cora_ML")默認情況下，Torch Geometric數據集可以返回多個圖形。我們看看單個圖是什么樣子的
data[0]
> Data(x=[2995, 2879], edge_index=[2, 16316], y=[2995])這里的 X是節點的特征。edge_index是2 x (n條邊)矩陣(第一維= 2，被解釋為:第0行-源節點/“發送方”，第1行-目標節點/“接收方”)。
鏈接拆分
我們將從拆分數據集中的鏈接開始。使用20%的圖鏈接作為驗證集，10%作為測試集。這里不會向訓練數據集中添加負樣本，因為這樣的負鏈接將由批處理數據加載器實時創建。
一般來說，負采樣會創建“假”樣本(在我們的例子中是節點之間的鏈接)，因此模型學習如何區分真實和虛假的鏈接。負抽樣基于抽樣的理論和數學，具有一些很好的統計性質。
首先:讓我們創建一個鏈接拆分對象。
link_splitter = tg.transforms.RandomLinkSplit(
num_val=0.2,
num_test=0.1,
add_negative_train_samples=False,
disjoint_train_ratio=0.8)disjoint_train_ratio調節在“監督”階段將使用多少條邊作為訓練信息。剩余的邊將用于消息傳遞(網絡中的信息傳輸階段)。
圖神經網絡中至少有兩種分割邊的方法:歸納分割和傳導分割。轉換方法假設GNN需要從圖結構中學習結構模式。在歸納設置中，可以使用節點/邊緣標簽進行學習。本文最后有兩篇論文詳細討論了這些概念，并進行了額外的形式化:([1]，[3])。
train_g, val_g, test_g = link_splitter(data[0])
> Data(x=[2995, 2879], edge_index=[2, 2285], y=[2995], edge_label=[9137], edge_label_index=[2, 9137])在這個操作之后，我們有了一些新的屬性:
edge_label ：描述邊緣是否為真/假。這是我們想要預測的。
edge_label_index 是一個2 x NUM EDGES矩陣，用于存儲節點鏈接。
讓我們看看樣本的分布
th.unique(train_g.edge_label, return_counts=True)
> (tensor([1.]), tensor([9137]))
th.unique(val_g.edge_label, return_counts=True)
> (tensor([0., 1.]), tensor([3263, 3263]))
th.unique(val_g.edge_label, return_counts=True)
> (tensor([0., 1.]), tensor([3263, 3263]))對于訓練數據沒有負邊(我們將訓練時創建它們)，對于val/測試集——已經以50:50的比例有了一些“假”鏈接。
模型
現在我們可以在使用GNN進行模型的構建了一個
class GNN(nn.Module):
def __init__(
self,
dim_in: int,
conv_sizes: Tuple[int, ...],
act_f: nn.Module = th.relu,
dropout: float = 0.1,
*args,
**kwargs):
super().__init__()
self.dim_in = dim_in
self.dim_out = conv_sizes[-1]
self.dropout = dropout
self.act_f = act_f
last_in = dim_in
layers = []
# Here we build subsequent graph convolutions.
for conv_sz in conv_sizes:
# Single graph convolution layer
conv = tgnn.SAGEConv(in_channels=last_in, out_channels=conv_sz, *args, **kwargs)
last_in = conv_sz
layers.append(conv)
self.layers = nn.ModuleList(layers)
def forward(self, x: th.Tensor, edge_index: th.Tensor) -> th.Tensor:
h = x
# For every graph convolution in the network...
for conv in self.layers:
# ... perform node embedding via message passing
h = conv(h, edge_index)
h = self.act_f(h)
if self.dropout:
h = nn.functional.dropout(h, p=self.dropout, training=self.training)
return h這個模型中值得注意的部分是一組圖卷積——在我們的例子中是SAGEConv。SAGE卷積的正式定義為:
??????
v是當前節點，節點v的N(v)個鄰居。要了解更多關于這種卷積類型的信息，請查看GraphSAGE[1]的原始論文
讓我們檢查一下模型是否可以使用準備好的數據進行預測。這里PyG模型的輸入是節點特征X的矩陣和定義edge_index的鏈接。
gnn = GNN(train_g.x.size()[1], conv_sizes=[512, 256, 128])
with th.no_grad():
out = gnn(train_g.x, train_g.edge_index)
out
> tensor([[0.0000, 0.0000, 0.0051, ..., 0.0997, 0.0000, 0.0000],
[0.0107, 0.0000, 0.0576, ..., 0.0651, 0.0000, 0.0000],
[0.0000, 0.0000, 0.0102, ..., 0.0973, 0.0000, 0.0000],
...,
[0.0000, 0.0000, 0.0549, ..., 0.0671, 0.0000, 0.0000],
[0.0000, 0.0000, 0.0166, ..., 0.0000, 0.0000, 0.0000],
[0.0000, 0.0000, 0.0034, ..., 0.1111, 0.0000, 0.0000]])我們模型的輸出是一個維度為:N個節點x嵌入大小的節點嵌入矩陣。
PyTorch Lightning
PyTorch Lightning主要用作訓練，但是這里我們在GNN的輸出后面增加了一個Linear層做為預測是否鏈接的輸出頭。
class LinkPredModel(pl.LightningModule):
def __init__(
self,
dim_in: int,
conv_sizes: Tuple[int, ...],
act_f: nn.Module = th.relu,
dropout: float = 0.1,
lr: float = 0.01,
*args, **kwargs):
super().__init__()
# Our inner GNN model
self.gnn = GNN(dim_in, conv_sizes=conv_sizes, act_f=act_f, dropout=dropout)
# Final prediction model on links.
self.lin_pred = nn.Linear(self.gnn.dim_out, 1)
self.lr = lr
def forward(self, x: th.Tensor, edge_index: th.Tensor) -> th.Tensor:
# Step 1: make node embeddings using GNN.
h = self.gnn(x, edge_index)
# Take source nodes embeddings- senders
h_src = h[edge_index[0, :]]
# Take target node embeddings - receivers
h_dst = h[edge_index[1, :]]
# Calculate the product between them
src_dst_mult = h_src * h_dst
# Apply non-linearity
out = self.lin_pred(src_dst_mult)
return out
def _step(self, batch: th.Tensor, phase: str='train') -> th.Tensor:
yhat_edge = self(batch.x, batch.edge_label_index).squeeze()
y = batch.edge_label
loss = nn.functional.binary_cross_entropy_with_logits(input=yhat_edge, target=y)
f1 = tm.functional.f1_score(preds=yhat_edge, target=y, task='binary')
prec = tm.functional.precision(preds=yhat_edge, target=y, task='binary')
recall = tm.functional.recall(preds=yhat_edge, target=y, task='binary')
# Watch for logging here - we need to provide batch_size, as (at the time of this implementation)
# PL cannot understand the batch size.
self.log(f"{phase}_f1", f1, batch_size=batch.edge_label_index.shape[1])
self.log(f"{phase}_loss", loss, batch_size=batch.edge_label_index.shape[1])
self.log(f"{phase}_precision", prec, batch_size=batch.edge_label_index.shape[1])
self.log(f"{phase}_recall", recall, batch_size=batch.edge_label_index.shape[1])
return loss
def training_step(self, batch, batch_idx):
return self._step(batch)
def validation_step(self, batch, batch_idx):
return self._step(batch, "val")
def test_step(self, batch, batch_idx):
return self._step(batch, "test")
def predict_step(self, batch):
x, edge_index = batch
return self(x, edge_index)
def configure_optimizers(self):
return th.optim.Adam(self.parameters(), lr=self.lr)PyTorch Lightning的作用是幫我們簡化了訓練的步驟，我們只需要配置一些函數即可，我們可以使用以下命令測試模型是否可用
model = LinkPredModel(val_g.x.size()[1], conv_sizes=[512, 256, 128])
with th.no_grad():
out = model.predict_step((val_g.x, val_g.edge_label_index))訓練
對于訓練的步驟，需要特殊處理的是數據加載器。
圖數據需要特殊處理——尤其是鏈接預測。PyG有一些專門的數據加載器類，它們負責正確地生成批處理。我們將使用:tg.loader.LinkNeighborLoader，它接受以下輸入:
要批量加載的數據(圖)。num_neighbors 每個節點在一次“跳”期間加載的最大鄰居數量。指定鄰居數目的列表1 - 2 - 3 -…-K。對于非常大的圖形特別有用。
edge_label_index 哪個屬性已經指示了真/假鏈接。
neg_sampling_ratio -負樣本與真實樣本的比例。
train_loader = tg.loader.LinkNeighborLoader(
train_g,
num_neighbors=[-1, 10, 5],
batch_size=128,
edge_label_index=train_g.edge_label_index,
# "on the fly" negative sampling creation for batch
neg_sampling_ratio=0.5
)
val_loader = tg.loader.LinkNeighborLoader(
val_g,
num_neighbors=[-1, 10, 5],
batch_size=128,
edge_label_index=val_g.edge_label_index,
edge_label=val_g.edge_label,
# negative samples for val set are done already as ground-truth
neg_sampling_ratio=0.0
)
test_loader = tg.loader.LinkNeighborLoader(
test_g,
num_neighbors=[-1, 10, 5],
batch_size=128,
edge_label_index=test_g.edge_label_index,
edge_label=test_g.edge_label,
# negative samples for test set are done already as ground-truth
neg_sampling_ratio=0.0
)下面就是訓練模型
model = LinkPredModel(val_g.x.size()[1], conv_sizes=[512, 256, 128])
trainer = pl.Trainer(max_epochs=20, log_every_n_steps=5)
# Validate before training - we will see results of untrained model.
trainer.validate(model, val_loader)
# Train the model
trainer.fit(model=model, train_dataloaders=train_loader, val_dataloaders=val_loader)試驗數據核對，查看分類報告和ROC曲線。
with th.no_grad():
yhat_test_proba = th.sigmoid(model(test_g.x, test_g.edge_label_index)).squeeze()
yhat_test_cls = yhat_test_proba >= 0.5
print(classification_report(y_true=test_g.edge_label, y_pred=yhat_test_cls))結果看起來還不錯:
precision recall f1-score support
0.0 0.68 0.70 0.69 1631
1.0 0.69 0.66 0.68 1631
accuracy 0.68 3262
macro avg 0.68 0.68 0.68 3262ROC曲線也不錯
我們訓練的模型并不特別復雜，也沒有經過精心調整，但它完成了工作。當然這只是一個為了演示使用的小型數據集。
總結
圖神經網絡盡管看起來很復雜，但是PyTorch Geometric為我們提供了一個很好的解決方案。我們可以直接使用其中內置的模型實現，這方便了我們使用和簡化了入門的門檻。
本文代碼：https://github.com/maddataanalyst/blogposts_code/blob/main/graph_nns_series/pyg_pyl_perfect_match/pytorch-geometric-lightning-perfect-match.ipynb
