نماذج PPNP و APPNP

الوصف

يستضيف هذا المستودع التطبيقات الرسمية لنماذج PPNP (Predict then Propagate) و APPNP (Approximate Personalized PageRank)، كما هو مفصل في ورقة ICLR 2019 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" بواسطة Gasteiger و Bojchevski و Günnemann. يوفر المشروع إصدارات TensorFlow و PyTorch لهذه النماذج المتقدمة للشبكات العصبية الرسومية.

الهدف الأساسي لهذا المستودع هو تزويد الباحثين والمطورين بكود سهل الوصول للاستفادة من هذه النماذج للمهام التي تتضمن بيانات منظمة على شكل رسوم بيانية. تم تصميم التطبيقات لتكون سهلة الاستخدام، مع أمثلة وتعليمات واضحة لإعادة إنتاج النتائج المقدمة في الورقة الأصلية. هذا يسهل المزيد من البحث وتطبيق مفاهيم Personalized PageRank ضمن إطار عمل GNN.

تشمل القدرات الرئيسية القدرة على إجراء تصنيف الرسوم البيانية وتنبؤات أخرى على مستوى العقدة أو على مستوى الرسم البياني من خلال الجمع بفعالية بين آليات الانتشار والنماذج التنبؤية. النماذج مناسبة بشكل خاص للسيناريوهات التي يكون فيها فهم أهمية العقدة وتأثيرها داخل الشبكة أمرًا بالغ الأهمية. يتضمن المستودع أيضًا أدوات لمعالجة البيانات، مثل تحويل رسوم NetworkX البيانية إلى تنسيق SparseGraph الخاص بالمشروع، مما يتيح استخدام مجموعات بيانات مخصصة.

يشمل الجمهور المستهدف لهذا المستودع باحثي التعلم الآلي وعلماء البيانات والمهندسين الذين يعملون مع الشبكات العصبية الرسومية وتحليل الشبكات والمجالات ذات الصلة. سيجد المطورون الذين يتطلعون إلى تنفيذ أو تجربة أحدث معماريات GNN للمهام مثل التنبؤ بالروابط أو تصنيف العقد أو أنظمة التوصية هذا المورد قيمًا.

تكمن القيمة المقترحة في توفير تطبيق مفتوح المصدر وموثق جيدًا لنماذج الشبكات العصبية الرسومية القوية التي تسد الفجوة بين خوارزميات الرسوم البيانية التقليدية مثل Personalized PageRank وتقنيات التعلم العميق الحديثة. يعزز توفر إصدارات TensorFlow و PyTorch المرونة والتبني عبر بيئات التطوير المختلفة.

أبرز ملامح نماذج PPNP و APPNP

• تطبيق TensorFlow لنماذج PPNP و APPNP

• تطبيق PyTorch لنماذج PPNP و APPNP

• كود لإعادة إنتاج النتائج من ورقة ICLR 2019

• دفاتر ملاحظات أمثلة للتكامل السهل (simple_example_pytorch.ipynb, simple_example_tensorflow.ipynb)

• أدوات لتحويل رسوم NetworkX إلى تنسيق SparseGraph

• يشمل مجموعات بيانات مثل Cora-ML و Citeseer و PubMed

• يدعم مهام التعلم الآلي المستندة إلى الرسوم البيانية

• مبني على ورقة "Predict then Propagate: Graph Neural Networks meet Personalized PageRank"

• كود مفتوح المصدر متاح على GitHub

البدء مع نماذج PPNP و APPNP

1. 1

   الوصول إلى النموذج: استنسخ مستودع GitHub إلى جهازك المحلي.

2. 2

   إعداد البيئة: قم بتثبيت الحزم المطلوبة باستخدام `pip install -r requirements.txt`.

3. 3

   التكامل عبر API: قم باستيراد واستخدام فئات نماذج PPNP أو APPNP ضمن نصوص Python الخاصة بك.

4. 4

   تشغيل الأمثلة: قم بتنفيذ دفاتر Jupyter المقدمة (`simple_example_pytorch.ipynb` أو `simple_example_tensorflow.ipynb`) لرؤية النماذج أثناء العمل.

5. 5

   إعادة إنتاج النتائج: استخدم `reproduce_results.ipynb` لتكرار النتائج التجريبية من الورقة.

6. 6

   معالجة البيانات: استخدم `networkx_to_sparsegraph` للتكامل مع مجموعات البيانات المخصصة.

حالات استخدام نماذج PPNP و APPNP

• تصنيف الرسوم البيانية
• تصنيف العقد
• التنبؤ بالروابط
• أنظمة التوصية
• تحليل الشبكات
• التعلم على الرسوم البيانية ذات السمات

الأسئلة الشائعة من نماذج PPNP و APPNP

• ما هي نماذج PPNP و APPNP؟

  PPNP و APPNP هما نموذجان للشبكات العصبية الرسومية يجمعان بين آليات الانتشار ومفاهيم Personalized PageRank، كما هو مفصل في ورقة ICLR 2019 "Predict then Propagate: Graph Neural Networks meet Personalized PageRank".

• ما هي لغات البرمجة والأطر المدعومة؟

  يوفر المستودع تطبيقات بكل من TensorFlow (الإصدارات >=1.6، <2.0) و PyTorch (الإصدارات >=1.5).

• كيف يمكنني البدء بنماذج PPNP/APPNP؟

  أسهل طريقة للبدء هي استكشاف دفاتر الملاحظات `simple_example_pytorch.ipynb` أو `simple_example_tensorflow.ipynb` المقدمة في المستودع.

• هل يمكنني إعادة إنتاج النتائج من الورقة؟

  نعم، تم تضمين دفتر الملاحظات `reproduce_results.ipynb` لإظهار كيفية إعادة إنتاج النتائج المقدمة في الورقة الأصلية.

• ما هي التبعيات لهذا المستودع؟

  تشمل التبعيات الرئيسية numpy و scipy و TensorFlow (>=1.6,<2.0) و PyTorch (>=1.5). يلزم NetworkX لبعض طرق تحويل البيانات.

• كيف أقوم بتثبيت الحزم المطلوبة؟

  يمكنك تثبيت جميع المتطلبات عن طريق تشغيل `pip install -r requirements.txt` في بيئتك.

• هل يمكنني استخدام مجموعات البيانات الخاصة بي مع هذه النماذج؟

  نعم، يمكنك استخدام مجموعات بيانات مخصصة. يمكن أن تساعد طريقة `networkx_to_sparsegraph` في `ppnp.data.io` في تحويل رسوم NetworkX البيانية إلى تنسيق SparseGraph المطلوب.

• ما هي مجموعات البيانات المضمنة في المستودع؟

  يشمل المستودع العديد من مجموعات البيانات في مجلد `data`، مثل Cora-ML و Citeseer و PubMed، بالإضافة إلى إشارات إلى مصادرها الأصلية.

• من قام بتأليف نماذج PPNP و APPNP؟

  تم اقتراح النماذج بواسطة Johannes Gasteiger (سابقًا Johannes Klicpera) و Aleksandar Bojchevski و Stephan Günnemann.

• أين تم نشر الورقة؟

  تم نشر ورقة "Predict then Propagate: Graph Neural Networks meet Personalized PageRank" في ICLR 2019 (المؤتمر الدولي لتمثيلات التعلم).

• ما هو ترخيص هذا الكود؟

  تم إصدار الكود بموجب ترخيص MIT.

• كيف يمكنني الاستشهاد بهذا العمل؟

  يمكنك الاستشهاد بالورقة باستخدام إدخال BibTeX المقدم: @inproceedings{gasteiger_predict_2019, title = {Predict then Propagate: Graph Neural Networks meet Personalized PageRank}, author = {Gasteiger, Johannes and Bojchevski, Aleksandar and G{"u}nnemann, Stephan}, booktitle={International Conference on Learning Representations (ICLR)}, year = {2019} }