集成图网络模型实现、基准测试,清华推出图表示学习工具包
机器之心报道
参与:张倩、杜伟
近日,清华大学知识工程研究室(KEG)推出了一个大规模图表示学习工具包 CogDL,可以让研究者和开发者更加方便地训练和对比用于节点分类、链路预测以及其他图任务的基准或定制模型。该工具包集成了 Deepwalk、LINE、node2vec、GraRep、NetMF、NetSMF、ProNE 等非图神经网络和 GCN、GAT、GraphSage、DrGCN、NSGCN、GraphSGAN 等图神经网络基准模型的实现。
项目页面:http://keg.cs.tsinghua.edu.cn/cogdl/index.html
GitHub 链接:https://github.com/THUDM/cogdl/
稀疏性:在具有数千万节点的大规模网络上实现快速网络嵌入;
任意性:能够处理属性化、多路和异构等不同图结构的网络;
并行处理:在多个 GPU 上实现不同种子和模型的并行训练并自动输出结果表格;
可扩展性:轻松添加新的数据集、模型和任务并在所有现有的模型/数据集上测试。
-task,评估表示的下游任务,如 node_classification、unsupervised_node_classification、link_prediction multiplex_link_prediction 等;
-datasets,支持的数据集包括'cora'、'citeseer'、'pumbed'、'PPI'、'wikipedia'、'blogcatalog'、'dblp'、'flickr';
-models,要运行的模型名称包括『gcn』、『gat』、『graphsage』、『deepwalk』、『line』、 『node2vec』、『hope』、『grarep』、『netmf』、『netsmf』和『prone』。
点击阅读原文,立即访问。