Evolving Graph Convolutional Networks for Dynamics Graphs

视频链接：《图神经网络》
相关系列：

1. 《Dynamic Graph的分类》
2. 《动态图网络之Dynamic Self-Attention Network》

---

区别：

• DySAT，是基于GNN和RNN的组合：在每个快照中使用GNN作为特征提取器聚合节点特征，然后在每个快照中使用RNN聚合时间特征来进一步聚合节点的特征
• EvolveGCN：也是离散型动态GNN，是集成型的DGNN，将GNN和RNN结合在同一层，从而结合空间和时间信息的建模
  
• EvolveGCN是采用集成DGNN的方法

一、model

采用快照的方法构图，同DySAT一样。

Q:在前面提到，EvolveGCN在每一层将GNN和RNN结合在同一层。那么是如何结合的呢？
A：普通GCN的公式如下图所示，EvolveGCN的公式与之相同。但区别在于W的更新方式。

Q:在同一层不同时刻如何计算？

第0层$t_1$时刻的计算

• input : $A$ (邻接矩阵) ， $H_1^0$ （节点特征）$\to$如下图

• init: $W_0^{(0)}\in {\mathbb{R}}^{3\times 2}$ (权重参数) $\to$ 第一次初始化，如下图
  

• step1: $W_0^{(0)}\in {\mathbb{R}}^{3\times 2}$–RNN–>$W_1^{(0)}\in {\mathbb{R}}^{3\times 2}$
  

• step2: $A_1\cdot H_1^{(0)}\cdot W_1^0$–GCN–>$H_1^{(1)}$
  

• 整体过程：如下图所示
  

第0层$t_2$时刻的计算

model计算公式

Q:同一时刻数据在不同层如何计算？

第0层$t_1$时刻的过程

第1层$t_1$时刻的过程

EvolveGCN-O

EvolveGCN-H

在上图中，可以看到-H的GRU的输入是$H,W$,因此会存在数据维度不同的情况，因此设定了一个降维算法.

Q：两种EvolveGCN该如何选择？

如果节点有信息，-H效果要好，因为考虑了节点的特征变化
如果节点信息⽐较少，-O效果好，因为他更关系图结构的变化

Loss

解读代码：EvolveGCN-O

二、run_exp.py

2.1 主函数

1. argparser参数
   
2. 设置随机数
   
3. 调用相关函数
   
4. 建立损失函数和训练器
   

2.2 设置网络参数

当下默认args.model=‘egcn_o’，查看其他变量

变量	值	含义	备注
args.num_hist_steps	5	hist_steps
args.gcn_parameters[‘feats_per_node’]	100
args.gcn_parameters[‘layer_1_feats’]	100
args.gcn_parameters[‘layer_2_feats’]	100
args.gcn_parameters[‘lstm_l1_feats’]	100
args.gcn_parameters[‘lstm_l2_feats’]	100
args.gcn_parameters[‘cls_feats’]	100

2.3 读取数据集

函数调用流程

1. 主函数中的调用语句dataset = build_dataset(args) # 构建数据集
2. 在build_dataset中调用sbm.sbm_dataset(args) 读取数据集
   

2.3.1 进入class sbm_dataset()

3. sbm_dataset中的Namespace的作用
   
   
4. args.sbm_args中的dict内容为
   
5. 建立边的数据结构
   
6. 随机产生节点特征
   
7. 总结class.attribute

变量	key	value	含义
self.ecols	‘FromNodeId’	0
	‘ToNodeId’	1
	‘Weight’	2
	‘TimeStep’	3
self.max_time		49	时间序列中最大值
self.min_time		0	时间序列中最小值
self.num_classes		1	类别数
self.edges		{‘idx’:tensor.shape(4870863,3), ‘vals’:tensor.shape(4870863)}	self.edges[‘idx’][0]=tensor([0, 2, 0])
self.num_nodes		1000	节点个数
self.feats_per_node		3	节点特征个数
self.nodes_feats		randn((1000,3))	节点随机特征
self.num_non_existing		-3870863	1000**2 -4870863

2.4 建立预测任务

# build the taskertasker = build_tasker(args,dataset)  # 预测任务link_pred

1. 调用build_tasker()函数,这里的dataset见2.3节
   

2.4.2 进入class Link_Pred_Tasker

注释：

2.5 tran\val\test的分离器

1. 调用函数splitter = sp.splitter(args,tasker) # 训练，测试，验证集

2.5.1 进入

2.6

三、model egcn-o.py

3.1 class EGCN（）

3.2 class GRCU()

3.3 class mat_GRU_cell()

3.4 class mat_GRU_gate()

3.5 class TopK()

附录、utlis.py

导入

def create_parser():parser = argparse.ArgumentParser(formatter_class=argparse.RawTextHelpFormatter)parser.add_argument('--config_file',default='experiments/parameters_example.yaml', type=argparse.FileType(mode='r'), help='optional, yaml file containing parameters to be used, overrides command line parameters')return parser

注释：

1. 《ArgumentParser()用法解析》
2. 《argparse之参数formatter_class》，
3. 《yaml文件格式说明及编写教程》
4. 《argparse.FileType实例讲解》， 用argparse.FileType，除了可以实现输入参数为文件外（遇到不存在的文件，会提示错误，这样就不用自己去判断文件是否存在了），还可以很好的实现通过命令行管道来接收数据。

class Namespace(object):'''helps referencing object in a dictionary as dict.key instead of dict['key']'''def __init__(self, adict):self.__dict__.update(adict)

注释： 1. 《 dict 详解》， 《__dict__的用法》

数据集

parameters_example.yaml