deep graph library

文章目录

• • • 边索引
    • 异构图
    • 采样器
    • with g.local_scope()
    • add_reverse_edges
    • copy_u以及copy_e
    • 常用api

本文先讲解一些基础概念与机制，然后有了这些理解之后，我再直接列出常用api。

import dgl

边索引

src=[1,2,3]
dst=[3,4,1]
g=dgl.graph((src,dst))

注意上述，默认就是(1,3)的边索引为0，其他依次类推。

异构图

异构图就是节点有不同类型，边有不同类型的图。举个例子如下：

data_dict = {
    ('user', 'follows', 'user'): (torch.tensor([0, 1]), torch.tensor([1, 2])),
    ('user', 'follows', 'topic'): (torch.tensor([1, 1]), torch.tensor([1, 2])),
    ('user', 'plays', 'game'): (torch.tensor([0, 3]), torch.tensor([3, 4]))
}
g = dgl.heterograph(data_dict)
g

上面可能就有人懵逼了，啥跟啥啊。其实上面表示说节点有

user,topic,game

3种类型，边有：

follows,plays

2种类型。以第一个为例：

 ('user', 'follows', 'user'): (torch.tensor([0, 1]), torch.tensor([1, 2]))

其表示就是说有两条边，(0,1)(1,2)，然后这两条边的头实体都是user，尾实体也是user，边类型是follows。

注意：不同节点类型，编码是不同的，例如上述

    ('user', 'follows', 'user'): (torch.tensor([0, 1]), torch.tensor([1, 2])),
    ('user', 'follows', 'topic'): (torch.tensor([1, 1]), torch.tensor([1, 2])),

可以看到，在第一行中，0,1,2都是user。
但是在第二行中，1是user，1，2是topic。也就是说，这个topic的1，2是在该节点类型下的独立编码。从这里我们可以推断，topic至少有3个，因为还有0！

下面是我们之前定义异构图返回的结果。

Graph(num_nodes={‘game’: 5, ‘topic’: 3, ‘user’: 4},
num_edges={(‘user’, ‘follows’, ‘topic’): 2, (‘user’, ‘follows’, ‘user’): 2, (‘user’, ‘plays’, ‘game’): 2},
metagraph=[(‘user’, ‘topic’, ‘follows’), (‘user’, ‘user’, ‘follows’), (‘user’, ‘game’, ‘plays’)])

我们来分析一下，这个节点数量就是推断的结果，指各个节点类型的节点数量，其实就是索引的max然后加1。至于边数量就很好理解了，一目了然。元图则表示一共有几种类型的边。

这个节点数量推断的结果，我们也可以显示指定，如下：

data_dict = {
    ('user', 'follows', 'user'): (torch.tensor([0, 1]), torch.tensor([1, 2])),
    ('user', 'follows', 'topic'): (torch.tensor([1, 1]), torch.tensor([1, 2])),
    ('user', 'plays', 'game'): (torch.tensor([0, 3]), torch.tensor([3, 4]))
}
nodes_num={'user': 20, 'game': 10,"topic":10}#有20个user节点
g = dgl.heterograph(data_dict,nodes_num)
g

结果如下：

Graph(num_nodes={‘game’: 10, ‘topic’: 10, ‘user’: 20},
num_edges={(‘user’, ‘follows’, ‘topic’): 2, (‘user’, ‘follows’, ‘user’): 2, (‘user’, ‘plays’, ‘game’): 2},
metagraph=[(‘user’, ‘topic’, ‘follows’), (‘user’, ‘user’, ‘follows’), (‘user’, ‘game’, ‘plays’)])

采样器

比如，对于一个图，给定一个源节点1，我们希望采样一些假的目标节点，从而构成一些假边。这个官方也是有api的，不过，这个东西其实不用官方api,我们自己也可以实现。这里由于是介绍，所以还是介绍一下api。

g = dgl.graph(([0, 1, 2], [1, 2, 3]))
neg_sampler = dgl.dataloading.negative_sampler.Uniform(2)#2表示每一个节点采样两个假目标节点。
neg_sampler(g, torch.tensor([0, 1]))

结果如下：

(tensor([0, 0, 1, 1]), tensor([1, 0, 2, 3]))

可以看到，对于源节点0，采样了1,0两个假目标节点。那么有人就会说了，不是采样假目标节点吗？这里怎么采样了1这个真节点？注意，他这个官方api是从所有节点里面均匀分布抽取的，而不是去掉0的邻居之后再均匀分布。

with g.local_scope()

这个玩意可以使得除了In-place *** 作之外的 *** 作不会对原图进行修改。（inplace *** 作就是例如a=[1],a[0]=1(inplace)，a=[2]不是）

def foo(g):
    with g.local_scope():
        g.edata['h'] = torch.ones((g.num_edges(), 3))
        g.edata['h2'] = torch.ones((g.num_edges(), 3))
        return g.edata['h']

g = dgl.graph((torch.tensor([0, 1, 1]), torch.tensor([0, 0, 2])))
g.edata['h'] = torch.zeros((g.num_edges(), 3))
newh = foo(g)
print(g.edata['h'])  # still get tensor of all zeros
'h2' in g.edata      # new feature set in the function scope is not found

add_reverse_edges

给一个图复制一倍（边反向），其特征之类的也会被复制。注意一个问题，(0,1)复制后变成(1,0)，但是他们的边id是相同的，因为边id并不是索引。

copy_u以及copy_e

这两个东西分别对节点和边进行 *** 作。例如：

fn.copy_e('timestamp', 'times')

就是将edata的一个属性'timestamp'复制一遍，再生成一个属性'times'。

常用api

用途	代码
给定边的id，找到边	g.find_edges([0,2])
给定一个或者多个图，进行压缩并且重新编码，例如对于一个图，可能节点索引不是从0开始的，对于多个图，我们要将其合并，并重新编码	dgl.compact_graphs(g)/dgl.compact_graphs([g1,g2])
给定边的id以及是否重新编码，得到子图	dgl.edge_subgraph(g, [0, 2])
图有什么边的类型	g.etypes
图有什么（节点，边，节点）的类型组合	g.canonical_etypes
图有什么类型的节点	g.ntypes