# GPF
## 一、GPF（Graph Processing Flow）：利用图神经网络处理问题的一般化流程
1、图节点预表示：利用NE框架，直接获得全图每个节点的Embedding;
2、正负样本采样：（1）单节点样本；（2）节点对样本；
3、抽取封闭子图：可做类化处理，建立一种通用图数据结构;
4、子图特征融合：预表示、节点特征、全局特征、边特征;
5、网络配置：可以是图输入、图输出的网络；也可以是图输入，分类/聚类结果输出的网络;
6、训练和测试;
## 二、主要文件：
1、graph.py：读入图数据;
2、embeddings.py：预表示学习;
3、sample.py：采样;
4、subgraphs.py/s2vGraph.py：抽取子图;
5、batchgraph.py：子图特征融合;
6、classifier.py：网络配置;
7、parameters.py/until.py:参数配置/帮助文件;
## 三、使用
1、在parameters.py中配置相关参数（可默认）；
2、在example/文件夹中运行相应的案例文件--包括链接预测、节点状态预测；
以链接预测为例：
### 1、导入配置参数
```from parameters import parser, cmd_embed, cmd_opt```
### 2、参数转换
```
args = parser.parse_args()
args.cuda = not args.noCuda and torch.cuda.is_available()
torch.manual_seed(args.seed)
if args.cuda:
torch.cuda.manual_seed(args.seed)
if args.hop != 'auto':
args.hop = int(args.hop)
if args.maxNodesPerHop is not None:
args.maxNodesPerHop = int(args.maxNodesPerHop)
```
### 3、读取数据
```
g = graph.Graph()
g.read_edgelist(filename=args.dataName, weighted=args.weighted, directed=args.directed)
g.read_node_status(filename=args.labelName)
```
### 4、获取全图节点的Embedding
```
embed_args = cmd_embed.parse_args()
embeddings = embeddings.learn_embeddings(g, embed_args)
node_information = embeddings
#print node_information
```
### 5、正负节点采样
```
train, train_status, test, test_status = sample.sample_single(g, args.testRatio, max_train_num=args.maxTrainNum)
```
### 6、抽取节点对的封闭子图
```
net = until.nxG_to_mat(g)
#print net
train_graphs, test_graphs, max_n_label = subgraphs.singleSubgraphs(net, train, train_status, test, test_status, args.hop, args.maxNodesPerHop, node_information)
print('# train: %d, # test: %d' % (len(train_graphs), len(test_graphs)))
```
### 7、加载网络模型，并在classifier中配置相关参数
```
cmd_args = cmd_opt.parse_args()
cmd_args.feat_dim = max_n_label + 1
cmd_args.attr_dim = node_information.shape[1]
cmd_args.latent_dim = [int(x) for x in cmd_args.latent_dim.split('-')]
if len(cmd_args.latent_dim)
2019-12-21 20:00:21
119KB
1