DGL库之HGTConv的使用
- 论文地址和异构图构建教程
- HGTConv语法格式
- HGTConv的使用
论文地址和异构图构建教程
论文地址：https://arxiv.org/pdf/2003.01332
异构图构建教程：异构图构建
异构图转同构图：异构图转同构图
HGTConv语法格式
dgl.nn.pytorch.conv.HGTConv(in_size, head_size, num_heads, num_ntypes, num_etypes, dropout=0.2, use_norm=False)
参数说明：
- in_size (int): 输入节点特征的大小。
- head_size (int): 输出头的大小。输出节点特征的大小为 head_size * num_heads。
- num_heads (int): 头的数量。输出节点特征的大小为 head_size * num_heads。
- num_ntypes (int): 节点类型的数量。
- num_etypes (int): 边类型的数量。
- dropout (可选, float): dropout 比率，用于防止过拟合。
- use_norm (可选, bool): 如果为 True，则在输出节点特征上应用层归一化。
forward(g, x, ntype, etype, *, presorted=False)
参数说明：
-
g (DGLGraph): 输入的图对象。
-
x (torch.Tensor): 一个 2D 张量，表示节点特征。其形状应为 (num_nodes, in_size)，num_nodes 是节点数量，in_size 是输入特征的维度。
-
ntype (torch.Tensor): 一个 1D 整数张量，表示节点类型。其形状应为 (num_nodes,)，对应每个节点的类型索引。
-
etype (torch.Tensor): 一个 1D 整数张量，表示边类型。其形状应为 (num_edges,)，对应每条边的类型索引。
-
presorted (bool, 可选): 指示输入图的节点和边是否已经按照类型排序。如果输入图是预排序的，则前向传播可能会更快。通过调用 to_homogeneous()创建的图会自动满足此条件。也可以使用 reorder_graph() 方法手动重新排序节点和边。
返回值：
- 返回的新节点特征: 返回的特征是一个 2D 张量，其形状为 (num_nodes, head_size * num_heads)，表示经过HGTConv 处理后的新节点特征，返回的张量类型为 torch.Tensor。
HGTConv的使用
使用的异构图如下：
在使用HGTConv时，一定要使用dgl.to_homogeneous将异构图转为同构图，否则不能使用，代码如下：
import dgl
import torch
import torch.nn as nn
import dgl.nn.pytorch
# 定义一个简单的异构图
def create_hetero_graph():
# 定义两个类型的节点：drug（药物）和 disease（疾病）
data_dict = {
('drug', 'd_interacts', 'drug'): (torch.tensor([0, 1]), torch.tensor([1, 2])), # 药物间的相互作用
('drug', 'g_interacts', 'gene'): (torch.tensor([0, 1]), torch.tensor([2, 3])), # 药物与基因间的相互作用
('drug', 'treats', 'disease'): (torch.tensor([1]), torch.tensor([2])) # 药物与疾病的关系
}
# 创建一个异构图
hetero_graph = dgl.heterograph(data_dict)
# 设置节点和边的特征
hetero_graph.nodes['drug'].data['h'] = torch.ones(3, 320) # 假设药物特征是320维的
hetero_graph.nodes['disease'].data['h'] = torch.zeros(3, 320) # 假设疾病特征是320维的
hetero_graph.nodes['gene'].data['h'] = torch.ones(4, 320) # 假设基因特征是320维的
return hetero_graph
# 定义一个HGT模型类
class HGTModel(nn.Module):
def __init__(self, in_dim, out_dim, num_heads, num_layers, num_node_types, num_edge_types, dropout=0.2):
super(HGTModel, self).__init__()
# 使用 dgl.nn.pytorch.conv.HGTConv 初始化 HGT 卷积层
self.layers = nn.ModuleList() # 创建一个空的层列表
for _ in range(num_layers):
layer = dgl.nn.pytorch.conv.HGTConv(
in_dim, # 输入维度
out_dim, # 输出维度
num_heads, # 注意力头的数量
num_node_types, # 节点类型数量
num_edge_types, # 边类型数量
dropout=dropout # dropout比率
)
self.layers.append(layer) # 将层添加到列表中
def forward(self, g):
with g.local_scope(): # 创建一个局部作用域，确保对图的操作不会影响原始图。
for layer in self.layers:
# 使用HGTConv层进行卷积操作
h = layer(g, g.ndata['h'], g.ndata['_TYPE'], g.edata['_TYPE'], presorted=True)
g.ndata['h'] = h # 更新节点特征
return g.ndata['h'] # 返回最后一层的节点特征
# 创建一个异构图
hetero_graph = create_hetero_graph()
print('异构图为:\n',hetero_graph) # 输出异构图的信息
# 将异构图转换为同构图
homogeneous_graph = dgl.to_homogeneous(hetero_graph, ndata=['h'])
print(f"节点特征矩阵为:\n{homogeneous_graph.ndata['h']}") # 打印节点特征的类型
# 创建模型并移动到 CPU 设备
hgt_model = HGTModel(in_dim=320, out_dim=80, num_heads=4, num_layers=2,
num_node_types=3, num_edge_types=3, dropout=0.3).to(torch.device('cpu'))
# 前向传播
output_features = hgt_model(homogeneous_graph)
print("更新后的特征：\n", output_features) # 输出特征的形状
结果如下：
