斯坦福大学的图神经网络课01

Tom2Code

发布于 2024-01-03 15:53:19

1250

发布于 2024-01-03 15:53:19

文章被收录于专栏：TomTom

先来几张重要的ppt，作为start

这张图介绍了图的嵌入表示，通过一个嵌入查找，来表示每一个节点。

这张图则是介绍了顶点嵌入的目标，就是使嵌入前和嵌入后的两个的相似度保持尽可能的相等。

好了下面开始上demo版本的代码：

导库

import networkx as nx

2.生成一图，或者实例化一个图G

G = nx.Graph()
print(G.is_directed())


H = nx.DiGraph()
print(H.is_directed())


G.graph["Name"] = "Bar"
print(G.graph)

这里的DiGraph就是一个有向图（相信学术数据结构的大家一定不陌生）

这是对应的输出：

3.给图G增加节点

G.add_node(0, feature=5, label=0)

node_0_attr = G.nodes[0]
print("Node 0 has the attributes {}".format(node_0_attr))

输出如下：

4.查看一下图G的信息：

G.nodes(data=True)

5.增加多个节点

G.add_nodes_from([
  (1, {"feature": 1, "label": 1}),
  (2, {"feature": 2, "label": 2})
]) #(节点, 属性字典)

for node in G.nodes(data=True):
  print(node)


num_nodes = G.number_of_nodes()
print("G has {} nodes".format(num_nodes))

输出：

6.给图G增加边（和边上的权重weight）

G.add_edge(0, 1, weight=0.5)

edge_0_1_attr = G.edges[(0, 1)]
print("Edge (0, 1) has the attributes {}".format(edge_0_1_attr))

输出：

7.增加多条边

G.add_edges_from([
  (1, 2, {"weight": 0.3}),
  (2, 0, {"weight": 0.1})
])


for edge in G.edges():
  print(edge)


num_edges = G.number_of_edges()
print("G has {} edges".format(num_edges))

输出：

G现在一共有三条边

8.让我们来看看这个图G是个啥样子

nx.draw(G, with_labels = True)

输出：

很简单一个又三个顶点三条边组成的无向图

9.来顶点1的其他信息（度，还有邻居）：

node_id = 1

print("Node {} has degree {}".format(node_id, G.degree[node_id]))


for neighbor in G.neighbors(node_id):
  print("Node {} has neighbor {}".format(node_id, neighbor))

输出：

两个度，对应两个边，没错。

10.创建一个有向图，并且计算pagerank：

num_nodes = 4
# Create a new path like graph and change it to a directed graph
G = nx.DiGraph(nx.path_graph(num_nodes))
nx.draw(G, with_labels = True)

# Get the PageRank
pr = nx.pagerank(G, alpha=0.8)
pr

输出：