Graph Representation Learning 项目教程

1. 项目的目录结构及介绍

graph-representation-learning/
├── .gitignore
├── LICENSE
├── README.md
├── figure1.png
├── neurips2018-poster.pdf
├── train_reconstruction.py
├── train_lp.py
├── train_lp_with_feats.py
├── train_multitask_lpnc.py
└── utils_gcn.py

• .gitignore: 用于指定Git版本控制系统忽略的文件和目录。
• LICENSE: 项目的开源许可证，本项目使用MIT许可证。
• README.md: 项目的介绍文档，包含项目的基本信息、使用方法和引用信息。
• figure1.png: 项目相关的图片文件。
• neurips2018-poster.pdf: 项目在NIPS 2018会议上的海报文件。
• train_reconstruction.py: 用于训练自动编码器模型以进行网络重构的脚本。
• train_lp.py: 用于训练自动编码器模型以进行链接预测的脚本。
• train_lp_with_feats.py: 用于训练自动编码器模型以进行链接预测，同时使用显式节点特征的脚本。
• train_multitask_lpnc.py: 用于训练自动编码器模型以同时进行链接预测和半监督节点分类的多任务学习脚本。
• utils_gcn.py: 包含加载数据集等实用功能的脚本。

2. 项目的启动文件介绍

项目的主要启动文件包括以下几个脚本：

• train_reconstruction.py: 用于训练自动编码器模型以进行网络重构。
• train_lp.py: 用于训练自动编码器模型以进行链接预测。
• train_lp_with_feats.py: 用于训练自动编码器模型以进行链接预测，同时使用显式节点特征。
• train_multitask_lpnc.py: 用于训练自动编码器模型以同时进行链接预测和半监督节点分类的多任务学习。

这些脚本可以通过以下命令启动：

# 设置PYTHONPATH环境变量
export PYTHONPATH="/path/to/this/repo:$PYTHONPATH"

# 训练自动编码器模型进行网络重构
python train_reconstruction.py <dataset_str> <gpu_id>

# 训练自动编码器模型进行链接预测
python train_lp.py <dataset_str> <gpu_id>

# 训练自动编码器模型进行链接预测，同时使用显式节点特征
python train_lp_with_feats.py <dataset_str> <gpu_id>

# 训练自动编码器模型进行多任务学习，同时进行链接预测和半监督节点分类
python train_multitask_lpnc.py <dataset_str> <gpu_id>

其中，<dataset_str> 是指定的数据集字符串，<gpu_id> 是指定的GPU设备ID。

3. 项目的配置文件介绍

项目中没有显式的配置文件，但可以通过以下环境变量和命令行参数进行配置：

• PYTHONPATH: 用于指定项目的路径，以便Python能够找到项目的模块。
• <dataset_str>: 指定要使用的数据集，支持的数据集包括 protein, metabolic, conflict, powergrid, cora, citeseer, pubmed, arxiv-grqc, blogcatalog。
• <gpu_id>: 指定要使用的GPU设备ID，默认为0。

通过这些配置，用户可以根据自己的需求选择不同的数据集和GPU设备进行训练和评估。