Redes Convolucionais de Grafos Relacionais

Descrição

O repositório tkipf/relational-gcn oferece uma implementação baseada em Keras de Redes Convolucionais de Grafos Relacionais (R-GCNs). Esta ferramenta é especificamente projetada para tarefas de classificação semi-supervisionada de nós em grafos relacionais direcionados. Ela serve como um recurso valioso para pesquisadores e profissionais que visam replicar ou expandir os achados apresentados no artigo "Modeling Relational Data with Graph Convolutional Networks" (2017).

A implementação foca no aspecto de classificação de entidades da modelagem de dados relacionais. Os usuários podem utilizar este código para experimentar com R-GCNs em vários conjuntos de dados, incluindo AIFB, MUTAG, BGS e AM, conforme detalhado nas instruções de uso. O projeto enfatiza a importância de versões específicas de dependências, recomendando Keras 1.2.1 e Theano 0.9.0, pois versões mais recentes do Keras podem interromper a API de matrizes esparsas do Theano. Embora o TensorFlow possa ser usado como backend, os usuários devem estar cientes de potenciais limitações em relação ao tamanho da matriz esparsa.

Para garantir a reprodução precisa dos resultados experimentais, o repositório fornece instruções claras para a preparação de conjuntos de dados e treinamento de modelos. Ele também inclui orientações sobre a configuração do backend do Keras para Theano e a imposição da execução em CPU, o que é recomendado devido a potenciais limitações de memória da GPU para certos experimentos. O projeto é licenciado sob a licença MIT, promovendo acesso aberto e modificação. O artigo associado, citado como [1], oferece uma compreensão teórica mais profunda do modelo R-GCN e suas aplicações na modelagem de dados relacionais.

Esta implementação é particularmente útil para aqueles que trabalham com dados estruturados em grafos onde as relações entre entidades são cruciais. Ela permite a aplicação de técnicas avançadas de aprendizado profundo para entender e classificar nós dentro de redes relacionais complexas. O código está publicamente disponível no GitHub, promovendo colaboração e desenvolvimento futuro dentro da comunidade de redes neurais de grafos.

Destaques de Redes Convolucionais de Grafos Relacionais

• Implementação baseada em Keras

• Redes Convolucionais de Grafos Relacionais (R-GCNs)

• Classificação semi-supervisionada de nós

• Suporta grafos relacionais direcionados

• Código para reprodução de classificação de entidades

• Scripts de preparação de dataset incluídos

• Scripts de treinamento de modelo fornecidos

• Orientação sobre gerenciamento de dependências

• Opção de imposição de execução em CPU

• Licença MIT

Primeiros passos com Redes Convolucionais de Grafos Relacionais

1. 1

   Instalar dependências: Execute 'python setup.py install' após garantir versões compatíveis de Keras e Theano.

2. 2

   Configurar backend Keras: Crie '~/.keras/keras.json' para definir 'backend' como 'theano'.

3. 3

   Preparar dataset: Execute 'python prepare_dataset.py -d <nome_do_dataset>' para datasets específicos (ex: aifb, mutag).

4. 4

   Impor execução em CPU: Use 'CUDA_VISIBLE_DEVICES=' antes do comando de treinamento.

5. 5

   Treinar o modelo: Execute 'python train.py -d <nome_do_dataset> --bases <num> --hidden <num> --l2norm <valor> --testing'.

6. 6

   Reproduzir resultados do artigo: Siga as instruções específicas do dataset para AIFB, MUTAG, BGS e AM.

7. 7

   Adaptar para novas tarefas: Modifique os scripts para datasets personalizados ou variações de tarefas de grafos relacionais.

Casos de uso de Redes Convolucionais de Grafos Relacionais

• Classificação de Nós
• Classificação de Entidades
• Modelagem de Dados Relacionais
• Pesquisa em Redes Neurais de Grafos
• Aprendizado de Máquina Baseado em Grafos

Perguntas frequentes de Redes Convolucionais de Grafos Relacionais

• Qual é o propósito principal da implementação de Redes Convolucionais de Grafos Relacionais?

  O propósito principal é fornecer uma implementação baseada em Keras para classificação semi-supervisionada de nós em grafos relacionais direcionados, permitindo a reprodução de resultados de classificação de entidades de um artigo de pesquisa.

• Quais são as dependências recomendadas para esta implementação de R-GCN?

  A implementação foi testada com Keras 1.2.1 e Theano 0.9.0. Versões mais recentes do Keras não são suportadas, pois podem quebrar a API de matrizes esparsas do Theano.

• Posso usar o TensorFlow como backend para esta implementação de R-GCN?

  Sim, é possível usar o backend TensorFlow do Keras. No entanto, o Keras 1.2.1 usa a API TensorFlow 0.11, e o uso do TensorFlow pode limitar o tamanho máximo permitido de uma matriz esparsa.

• Como preparo um dataset para usar com esta implementação de R-GCN?

  Você pode preparar datasets executando o script 'python prepare_dataset.py -d <nome_do_dataset>', especificando o dataset que deseja usar (ex: 'aifb', 'mutag').

• Como posso garantir que o modelo seja executado na CPU?

  Você pode forçar a execução em CPU ocultando todos os recursos da GPU, prefixando 'CUDA_VISIBLE_DEVICES=' ao seu comando de treinamento.

• Que tipo de grafos esta implementação de R-GCN suporta?

  Esta implementação é projetada para grafos relacionais direcionados, focando em tarefas como classificação semi-supervisionada de nós.

• O código para a tarefa de predição de links está incluído neste repositório?

  Não, o código para a tarefa de predição de links do mesmo artigo pode ser encontrado em um repositório separado: https://github.com/MichSchli/RelationPrediction.

• Sob qual licença esta implementação de R-GCN é distribuída?

  Esta implementação é distribuída sob a licença MIT.

• Quais são os datasets chave mencionados para reproduzir experimentos?

  Os datasets chave mencionados para reproduzir experimentos são AIFB, MUTAG, BGS e AM.

• A execução inicial de um grafo computacional leva tempo?

  Sim, o Theano realiza uma etapa de compilação custosa na primeira vez que um grafo computacional é executado, o que pode levar vários minutos para ser concluído.