Graph-Bert 项目使用教程

1. 项目目录结构及介绍

Graph-Bert 项目的目录结构如下：

Graph-Bert/
├── data/
│   └── cora/
├── result/
├── LICENSE
├── README.md
├── script_1_preprocess.py
├── script_2_pre_train.py
├── script_3_fine_tuning.py
├── script_4_evaluation_plots.py
└── code/
    ├── base_class/
    ├── DatasetLoader.py
    ├── MethodGraphBertNodeClassification.py
    ├── MethodGraphBertGraphClustering.py
    ├── MethodGraphBertNodeConstruct.py
    ├── MethodGraphBertGraphRecovery.py
    ├── MethodBertComp.py
    ├── MethodGraphBert.py
    ├── MethodWLNodeColoring.py
    ├── MethodGraphBatching.py
    ├── MethodHopDistance.py
    ├── ResultSaving.py
    ├── EvaluateAcc.py
    ├── EvaluateClustering.py
    └── Settings.py

目录结构介绍

• data/: 存放数据集的目录，例如 Cora 数据集。
• result/: 存放实验结果的目录。
• LICENSE: 项目的开源许可证文件。
• README.md: 项目的介绍文档。
• script_1_preprocess.py: 数据预处理脚本。
• script_2_pre_train.py: 模型预训练脚本。
• script_3_fine_tuning.py: 模型微调脚本。
• script_4_evaluation_plots.py: 结果评估和绘图脚本。
• code/: 包含项目的核心代码，分为多个模块：
  • base_class/: 基础类定义。
  • DatasetLoader.py: 数据加载模块。
  • MethodGraphBertNodeClassification.py: 节点分类任务模块。
  • MethodGraphBertGraphClustering.py: 图聚类任务模块。
  • MethodGraphBertNodeConstruct.py: 节点构造任务模块。
  • MethodGraphBertGraphRecovery.py: 图结构恢复任务模块。
  • MethodBertComp.py: BERT 组件模块。
  • MethodGraphBert.py: Graph-Bert 模型模块。
  • MethodWLNodeColoring.py: WL 节点着色模块。
  • MethodGraphBatching.py: 子图批处理模块。
  • MethodHopDistance.py: 节点跳数距离计算模块。
  • ResultSaving.py: 结果保存模块。
  • EvaluateAcc.py: 准确率评估模块。
  • EvaluateClustering.py: 聚类评估模块。
  • Settings.py: 实验设置模块。

2. 项目启动文件介绍

script_1_preprocess.py

该脚本用于数据预处理，主要包括以下步骤：

• 加载数据集。
• 计算节点 WL 代码。
• 计算节点跳数距离。
• 生成子图批次。

script_2_pre_train.py

该脚本用于模型的预训练，主要包括以下步骤：

• 加载预处理后的数据。
• 进行节点属性重构任务。
• 进行图结构恢复任务。

script_3_fine_tuning.py

该脚本用于模型的微调，主要包括以下步骤：

• 加载预训练模型。
• 进行节点分类任务。
• 进行图聚类任务。

script_4_evaluation_plots.py

该脚本用于结果的评估和绘图，主要包括以下步骤：

• 加载实验结果。
• 计算评估指标。
• 生成评估图表。

3. 项目的配置文件介绍

Graph-Bert 项目没有显式的配置文件，但可以通过修改脚本中的参数来调整实验设置。主要的参数设置在 Settings.py 文件中，包括：

• learning_rate: 学习率。
• weight_decay: 权重衰减。
• max_epoch: 最大训练轮数。
• spy_tag: 是否启用调试模式。
• load_pretrained_path: 预训练模型路径。
• save_pretrained_path: 保存预训练模型路径。

通过修改这些参数，可以灵活地调整模型的训练和评估过程。

---

以上是 Graph-Bert 项目的使用教程，希望对你有所帮助！