DeepHypergraph入门指南：5分钟掌握图与超图神经网络的核心功能

DeepHypergraph入门指南：5分钟掌握图与超图神经网络的核心功能

【免费下载链接】DeepHypergraphA pytorch library for graph and hypergraph computation.项目地址: https://gitcode.com/gh_mirrors/de/DeepHypergraph

DeepHypergraph是一个基于PyTorch的深度学习库，专门用于图神经网络和超图神经网络的学习。无论你是机器学习新手还是经验丰富的研究者，这个库都能帮助你轻松处理复杂的图结构数据。😊 它支持从顶点到顶点、顶点到超边、顶点集到顶点集等多种消息传递方式，涵盖了从低阶结构（如图、有向图、二分图）到高阶结构（如超图）的完整计算框架。

🚀 为什么选择DeepHypergraph？

在传统的图神经网络中，你只能处理成对关系，但现实世界中的许多关系是超越成对的。比如一个研究团队可能有5个成员合作发表论文，或者一个菜谱包含多种食材。DeepHypergraph通过超图结构完美解决了这个问题，让你能够建模复杂的多体关系。

DeepHypergraph的数据集系统采用模块化设计，实现了从数据下载、加载到预处理的全流程自动化。你只需几行代码就能获取高质量的图数据，无需担心繁琐的数据准备工作。

📊 图与超图：理解两者的核心差异

图（左侧）使用简单的边连接两个顶点，适合建模成对关系，如社交网络中的好友关系。超图（右侧）使用超边连接多个顶点，能够捕捉更复杂的群组关系，如研究团队的合作关系。

🛠️ 快速开始：三行代码创建可视化

import matplotlib.pyplot as plt import dhg # 创建并绘制图 g = dhg.random.graph_Gnm(10, 12) g.draw() # 创建并绘制超图 hg = dhg.random.hypergraph_Gnm(10, 8) hg.draw() plt.show()

📚 丰富的数据集支持

DeepHypergraph内置了20+个经典数据集，覆盖了从学术引文网络到社交网络、推荐系统等各个领域：

经典图数据集

• Cora：2,708篇学术论文的引文网络，7个主题类别
• PubMed：19,717篇生物医学文献，3个类别，适合测试模型可扩展性
• Citeseer：3,327篇计算机科学论文，6个类别

超图数据集

• Cooking200：食谱配料关系数据集，将菜谱建模为超图
• MovieLens1M：电影评分数据集，用于推荐系统
• AmazonBook：亚马逊图书评价数据集

二分图数据集

• CoraBiGraph：Cora的二分图版本
• PubMedBiGraph：PubMed的二分图版本

🔧 核心功能模块详解

1. 消息传递机制

DeepHypergraph提供了灵活的消息传递函数，支持多种聚合方式：

import torch import dhg # 在图上进行消息传递 g = dhg.random.graph_Gnm(5, 8) X = torch.rand(5, 2) X_ = g.v2v(X, aggr="mean") # 顶点到顶点消息传递 # 在超图上进行消息传递 hg = dhg.random.hypergraph_Gnm(5, 4) X = torch.rand(5, 2) Y_ = hg.v2e(X, aggr="mean") # 顶点到超边 X_ = hg.e2v(Y_, aggr="mean") # 超边到顶点

2. 平滑操作

DeepHypergraph内置了多种拉普拉斯矩阵，支持GCN、HGNN等模型的平滑操作：

# GCN平滑 X_ = g.smoothing_with_GCN(X) # HGNN平滑 X_ = hg.smoothing_with_HGNN(X)

3. 图与超图的相互转换

DeepHypergraph提供了图与超图之间的转换函数，让你能够：

• 从超图构建图（团扩展、星扩展）
• 从图构建超图（k跳邻居、k最近邻）

🏗️ 内置模型库

DeepHypergraph实现了多种先进的图神经网络和超图神经网络模型：

图神经网络模型

• GCN：图卷积网络，ICLR 2017
• GAT：图注意力网络，ICLR 2018
• GraphSAGE：可扩展的归纳式图表示学习，NeurIPS 2017
• LightGCN：轻量级图卷积网络，SIGIR 2020

超图神经网络模型

• HGNN：超图神经网络，AAAI 2019
• HGNN+：通用超图神经网络，IEEE T-PAMI 2022
• HyperGCN：超图上的图卷积网络，NeurIPS 2019
• DHCF：双通道超图协同过滤，KDD 2020

🎯 评估指标全面覆盖

DeepHypergraph提供了完整的评估指标系统：

分类任务

• 准确率（Accuracy）
• F1分数（F1-Score）
• 混淆矩阵（Confusion Matrix）

推荐系统任务

• 精确率@k（Precision@k）
• 召回率@k（Recall@k）
• NDCG@k（归一化折损累计增益）

检索任务

• 平均精确率@k（mAP@k）
• 平均倒数排名@k（mRR@k）
• PR曲线（Precision-Recall Curve）

⚡ 自动机器学习（Auto-ML）

DeepHypergraph集成了Optuna库，提供了强大的Auto-ML功能：

from dhg.experiments import GraphVertexClassification # 自动调优GCN模型 tuner = GraphVertexClassification("Cora", "GCN", enable_tune=True) tuner.run()

这个功能能够自动搜索最优的图结构构建配置、模型超参数和训练参数，让你轻松超越现有最先进的模型。

📦 安装与使用

安装DeepHypergraph非常简单：

pip install dhg

或者安装开发版本：

pip install git+https://gitcode.com/gh_mirrors/de/DeepHypergraph.git

🎨 强大的可视化工具

DeepHypergraph提供了丰富的可视化功能，让你能够直观地理解图结构和学习过程：

你可以自定义顶点颜色、大小和标签，创建美观的图可视化效果。

🔄 图与超图转换的实际应用

在实际应用中，DeepHypergraph的图与超图转换功能非常有用：

1. 从超图构建图：当你需要将超图数据输入到传统图神经网络时
2. 从图构建超图：当你需要挖掘图中潜在的高阶关系时
3. 结构优化：通过转换发现更好的数据表示方式

💡 最佳实践建议

1. 数据准备：首次使用让数据集自动下载到默认路径（~/.dhg/datasets/）
2. 模型选择：根据任务类型选择合适的模型架构
3. 超参数调优：充分利用Auto-ML功能自动寻找最优配置
4. 可视化分析：使用可视化工具理解模型的行为和结果

🚀 开始你的DeepHypergraph之旅

DeepHypergraph为图神经网络和超图神经网络的学习提供了一个完整、易用的解决方案。无论你是想快速上手图计算，还是需要处理复杂的超图数据，这个库都能满足你的需求。

通过dhg/data/目录下的数据集模块和dhg/models/目录下的模型实现，你可以快速构建和训练自己的图神经网络应用。现在就开始探索DeepHypergraph的强大功能吧！✨

【免费下载链接】DeepHypergraphA pytorch library for graph and hypergraph computation.项目地址: https://gitcode.com/gh_mirrors/de/DeepHypergraph