Cogdl中的模型
图表示学习介绍
受最近计算机视觉和自然语言处理方面的表示学习趋势的启发,图表示学习被提出。图表示旨在学习顶点/图的低维连续向量,同时保留内在 图属性,或者使用图编码器进行端到端训练。 最近,已经提出了图神经网络(GNN),并在半监督表示学习中取得了令人印象深刻的性能。图卷积网络 (GCN) 通过谱图卷积的局部一阶近似提出了一种卷积架构。Gra phSAGE 是一个通用归纳框架,它利用节点特征为以前未见过的样本生成节点embeddings。Graph Attention Networks (GATs) 利用多头自注意力机制,并能够(隐式) 为邻域中的不同节点指定不同的权重。
CogDL现在支持以下任务
unsupervised node classification(无监督节点分类)
semi-supervised node classification(半监督节点分类)
heterogeneous node classification(异构节点分类)
link prediction(链接预测)
multiplex link prediction(多路链接预测)
unsupervised graph classification(无监督图分类)
supervised graph classification(监督图分类)
graph pre-training(图预训练)
attributed graph clustering(属性图聚类)
CogDL 提供了丰富的通用基准数据集和 GNN 模型。您可以使用 CogDL 中的模型和数据集简单地开始运行。
from cogdl import experiment
experiment(model="gcn", dataset="cora")
Unsupervised Multi-label Node Classification
Model |
Name in Cogdl |
---|---|
NetMF (Qiu et al, WSDM’18) |
netmf |
ProNE (Zhang et al, IJCAI’19) |
prone |
NetSMF (Qiu et at, WWW’19) |
netsmf |
Node2vec (Grover et al, KDD’16) |
node2vec |
LINE (Tang et al, WWW’15) |
line |
DeepWalk (Perozzi et al, KDD’14) |
deepwalk |
spectral |
|
Hope (Ou et al, KDD’16) |
hope |
GraRep (Cao et al, CIKM’15) |
grarep |
Semi-Supervised Node Classification with Attributes
Model |
Name in Cogdl |
---|---|
Grand(Feng et al.,NLPS’20) |
grand |
GCNII((Chen et al.,ICML’20) |
gcnii |
DR-GAT (Zou et al., 2019) |
drgat |
MVGRL (Hassani et al., KDD’20) |
mvgrl |
ppnp |
|
gat |
|
GDC_GCN (Klicpera et al., NeurIPS’19) |
gdc_gcn |
DropEdge (Rong et al., ICLR’20) |
dropedge_gcn |
gcn |
|
dgi |
|
GraphSAGE (Hamilton et al., NeurIPS’17) |
graphsage |
GraphSAGE (unsup)(Hamilton et al., NeurIPS’17) |
unsup_graphsage |
mixhop |
Multiplex Node Classification
Model |
Name in Cogdl |
---|---|
Simple-HGN (Lv and Ding et al, KDD’21) |
|
gtn |
|
han |
|
gcc |
|
pte |
|
Metapath2vec (Dong et al, KDD’17) |
metapath2vec |
Hin2vec (Fu et al, CIKM’17) |
hin2vec |
Link Prediction
Model |
Name in Cogdl |
---|---|
ProNE (Zhang et al, IJCAI’19) |
prone |
NetMF (Qiu et al, WSDM’18) |
netmf |
Hope (Ou et al, KDD’16) |
hope |
LINE (Tang et al, WWW’15) |
line |
Node2vec (Grover et al, KDD’16) |
node2vec |
NetSMF (Qiu et at, WWW’19) |
netsmf |
DeepWalk (Perozzi et al, KDD’14) |
deepwalk |
SDNE (Wang et al, KDD’16) |
sdne |
Multiplex Link Prediction
Model |
Name in Cogdl |
---|---|
GATNE (Cen et al, KDD’19) |
gatne |
NetMF (Qiu et al, WSDM’18) |
netmf |
ProNE (Zhang et al, IJCAI’19) |
prone++ |
Node2vec (Grover et al, KDD’16) |
node2vec |
DeepWalk (Perozzi et al, KDD’14) |
deepwalk |
LINE (Tang et al, WWW’15) |
line |
Hope (Ou et al, KDD’16) |
hope |
GraRep (Cao et al, CIKM’15) |
grarep |
Knowledge graph completion
Model |
Name in Cogdl |
---|---|
CompGCN (Vashishth et al, ICLR’20) |
compgcn |
Graph Classification
Model |
Name in Cogdl |
---|---|
gin |
|
Infograph (Sun et al, ICLR’20) |
infograph |
DiffPool (Ying et al, NeuIPS’18) |
diffpool |
SortPool (Zhang et al, AAAI’18) |
softpool |
Graph2Vec (Narayanan et al, CoRR’17) |
graph2vec |
PATCH_SAN (Niepert et al, ICML’16) |
patchy_san |
dgk |
Attributed graph clustering
Model |
Name in Cogdl |
---|---|
agc |
|
DAEGC (Wang et al, ICLR’20) |
daegc |