1. 初识图网络为什么我们需要这些“经典”数据集如果你刚开始接触图神经网络可能会被各种眼花缭乱的模型和代码搞得晕头转向。GCN、GAT、GraphSAGE... 模型一个比一个酷但真正上手时很多人卡在了第一步数据。没有合适的数据再厉害的模型也只是空中楼阁。这就好比你想学做菜但连基本的食材都认不全更别提做出美味佳肴了。我刚开始研究图网络时也在这个阶段徘徊了很久。后来我发现与其盲目地找新数据不如先把几个“祖师爷”级别的经典数据集吃透。这些数据集就像数学里的“112”是构建你知识体系的基石。今天我就带你一起盘一盘图网络领域最常被“翻牌子”的六大经典数据集Cora、CiteSeer、PubMed、PPI、BlogCatalog和Yelp。它们分别来自学术论文、生物化学和商业社交等不同领域几乎覆盖了图网络所有的主流任务。理解它们你就能理解图网络到底在解决什么问题以及如何为你的任务选择合适的数据。更重要的是这些数据集结构清晰、规模适中非常适合新手练手和模型验证。很多顶会论文的 baseline 结果都是在它们身上跑出来的。可以说搞懂了这六个数据集你就拿到了进入图神经网络实战大门的钥匙。接下来我们就一个个拆开来看看看它们到底长什么样以及我们能拿它们来做什么有趣的事情。2. 学术界的“三剑客”Cora、CiteSeer与PubMed深度拆解这三个数据集可以说是图神经网络领域的“Hello World”绝大多数入门教程和论文实验都离不开它们。它们都是引文网络简单说就是把学术论文当成图中的节点论文之间的引用关系就是连接节点的边。我们的任务通常是根据论文的内容节点特征和引用关系图结构预测一篇论文属于哪个研究领域节点分类。2.1 Cora小而精致的入门首选Cora是我最早接触的数据集也是我最推荐新手起步用的。它规模不大但“五脏俱全”。它是什么一个包含2708篇机器学习论文的数据集。每篇论文被人工分到了7个类别之一比如“神经网络”、“强化学习”、“概率方法”等。特征怎么来的这很有意思。研究者们先整理了一个包含1433个机器学习领域高频词的词典。然后对于每一篇论文他们检查这1433个词是否在论文中出现。如果出现了对应位置就是1没出现就是0。所以每篇论文就变成了一个1433维的、只由0和1组成的二进制向量。这就是节点的特征。图结构如何论文之间的引用关系构成了边。整个网络有5429条引用边。关键点是这个图是连通的没有孤立的论文这保证了信息可以在图中传递。实战怎么用最经典的任务就是半监督节点分类。我们故意“藏起”大部分论文的标签只告诉模型一小部分比如每类只给20篇论文的类别然后让它去预测所有其他论文的类别。这个过程能很好地测试模型能否利用少数标签和网络结构学习到有效的节点表示。我的踩坑经验第一次用Cora时我犯过一个错误直接拿cora.cites文件里的边去构图。注意这个文件里的每一行“A B”表示论文A引用了论文B。在构图时这通常意味着有一条从B指向A的边因为A引用了B的知识。但具体方向取决于你的任务定义有些模型会忽略方向当作无向图处理。一定要搞清楚你代码里边的方向定义否则效果可能天差地别。2.2 CiteSeer与PubMed更大的挑战与不同的特征搞定了Cora就可以升级挑战CiteSeer和PubMed了。它们本质和Cora一样但各有特点。CiteSeer规模稍大有3312篇计算机科学论文分为6类。它的词表更大有3703个唯一词所以节点特征是3703维的二进制向量。它的图相对更稀疏一些社区结构可能和Cora不同这会让某些模型的性能在这里产生波动。我常把Cora和CiteSeer放在一起对比实验看看模型的泛化能力。PubMed则跨到了生物医学领域它包含19717篇关于糖尿病的文献规模是前两者的一个数量级。它最大的不同在于节点特征。PubMed不再使用简单的0/1表示词是否出现而是采用了TF-IDF值。这是一种统计方法用来衡量一个词对于一篇文档的重要性。因此PubMed的节点特征是500维的浮点数向量数值是连续的包含更丰富的信息。处理这类特征时你可能需要考虑是否需要做归一化。为了方便你快速区分这三个“兄弟”数据集我整理了一个对比表格特性CoraCiteSeerPubMed领域机器学习计算机科学生物医学糖尿病节点数2,7083,31219,717边数5,4294,73244,338类别数763特征维度1,4333,703500特征类型二进制词袋0/1二进制词袋0/1TF-IDF 浮点向量核心任务节点分类节点分类节点分类新手友好度★★★★★★★★★☆★★★☆☆实战建议当你跑通一个模型在Cora上后一定要试试在CiteSeer和PubMed上跑一下。观察准确率的变化思考为什么是因为图变大了特征变稠密了还是类别分布不同了这个过程能极大地加深你对模型和数据耦合关系的理解。3. 从学术到生命科学PPI网络的复杂世界如果说前面三个数据集是“干净整洁”的教科书例题那么PPI蛋白质相互作用网络就是一道来自真实世界的综合应用题。它一下子把难度和趣味性都提升了不少。它是什么PPI网络中的每个节点是一个蛋白质每条边表示两个蛋白质之间存在相互作用比如它们会结合在一起来完成某项细胞功能。这直接来自于生物学的真实研究图结构反映了生命活动最底层的逻辑之一。为什么它很特别多图Multi-graphPPI数据集不是一张大图而是24张独立的子图每张图对应不同的人体组织比如血液、肝脏、肾脏。这要求模型不仅能学习图内的信息最好还能跨图学习到通用的蛋白质相互作用模式。多标签分类每个蛋白质节点共56944个不再属于一个类别而是可能有多个标签。标签总共有121种对应不同的基因本体论功能。一个蛋白质可能同时具有“催化活性”、“绑定ATP”等多个功能标签。任务变成了多标签二元分类你需要为每个节点输出一个121维的0/1向量。特征稀疏节点特征是50维的描述了蛋白质的序列、结构等信息。但特征非常稀疏大部分是0只有少量是1。这对特征提取是个考验。实战挑战与技巧 处理PPI时传统的全图训练方法像在Cora上那样可能不太适用因为图太大而且是由多个子图组成。我常用的方法是采样Sampling使用GraphSAGE这类模型的邻居采样策略从大图中挖出一块块“子图”进行训练。小批量Mini-batch训练将24张图看作24个独立的训练样本或批次进行小批量训练。这要求模型能处理不同大小和结构的图。损失函数由于是多标签任务损失函数通常从交叉熵换为二元交叉熵BCE Loss对每个标签进行独立的二元分类。我第一次跑PPI时被它的数据格式折腾得够呛。它提供了.json、.npy、.txt多种文件。你需要仔细阅读说明用ppi-G.json构建图结构用valid_feats.npy加载节点特征用ppi-class_map.json解析多标签。虽然麻烦但一旦搞定你会对图数据的处理有质的飞跃。4. 走进真实社交与商业场景BlogCatalog与Yelp最后这两个数据集将我们从实验室带向了真实的互联网世界它们的应用场景更贴近实际的用户产品。4.1 BlogCatalog社交网络上的用户分类BlogCatalog是一个早期的社交网络数据集节点是博客网站的用户边代表用户之间的好友关系社交链接。数据特点它有10312个用户节点和超过33万条边是一个比较稠密的社交图。用户的标签是其兴趣类别如政治、音乐、旅游等共有39个类别同样也是多标签分类任务一个用户可以有多个兴趣。应用场景这其实就是社交网络上的用户画像。我们可以利用用户的好友关系“物以类聚人以群分”来预测用户可能感兴趣的话题从而用于内容推荐、社群发现等。与PPI相比BlogCatalog的图是单一大图且特征信息较少原始数据只有节点ID更多依赖图结构本身。在实践中我们常常需要自己构造节点特征比如用节点的度好友数或进行简单的嵌入作为初始特征。实战思考处理这种结构特征主导的图图神经网络的消息传递机制能大显神威。你可以尝试对比仅用图结构没有人工构造特征的模型效果 vs 加入简单特征的模型效果感受结构信息的重要性。4.2 Yelp异质商业图网络的代表Yelp数据集是我们今天介绍的六个里最“庞大”也最“复杂”的一个它来自著名的商业点评网站Yelp。严格来说它不是一个单一的、同质的图而是一个包含多种节点和边的异质信息网络。它包含什么原始数据非常丰富包括节点商家Business、用户User、评论Review、图片Photo等。边用户给商家写评论、用户上传图片到评论、商家属于某个类别/城市等。属性商家有营业时间、地址、类别评论有文本、星级、时间用户有点评历史等。如何构图这才是关键。你可以根据任务构建不同的图。比如想做商家推荐可以构建“用户-商家”二分图边是用户对商家的评分。想做商家类别分类可以构建以商家为节点的同质图边可以根据商家之间的距离、相似性如拥有共同用户来构造。应用场景Yelp数据集的可玩性极高几乎可以模拟所有真实的商业分析任务链接预测预测用户是否会给某个商家写评论、节点分类预测商家的类别如“中餐”或“酒吧”、图表示学习学习商家或用户的低维嵌入用于下游推荐等。处理挑战处理Yelp这样的原始数据你需要很强的数据清洗和构图能力。这比使用现成的、干净的Cora数据要困难得多但也更有价值因为真实世界的数据就是如此杂乱。你需要从JSON或CSV文件中提取实体和关系自己用NetworkX或DGL/PyG来构建图对象。这个过程虽然繁琐但却是从“玩具数据集”迈向“工业级应用”的必经之路。5. 实战指南如何为你的任务选择与预处理数据了解了这些数据集的特点后最关键的一步是如何让它们为你所用。选择哪个数据集完全取决于你想解决什么问题。如果你想学习/验证图神经网络基础模型如GCN, GAT毫不犹豫地从Cora开始。它简单、稳定、社区支持好几乎所有框架都有现成的加载代码。快速验证你的模型是否能够正常跑通并达到一个基准性能。如果你想挑战更复杂的任务比如多标签学习或大规模图训练那么PPI和BlogCatalog是绝佳的跳板。它们能逼你学会处理多标签损失、子图采样和小批量训练这些实用技巧。如果你的兴趣在推荐系统、商业分析等应用层面Yelp是你的宝藏。尽管预处理麻烦但它能给你带来最接近实战的体验。你可以从构建一个简单的“用户-商家”二分图开始尝试用GraphSAGE学习用户嵌入再做简单的推荐。数据预处理的通用流程读取数据通常需要从.content、.cites、.json等特定格式文件中读取节点特征、边信息和标签。构建图对象使用深度学习框架如PyTorch Geometric或Deep Graph Library的Data或Graph类来构建图。关键是指定x节点特征矩阵、edge_index边索引形状为[2, num_edges]和y节点标签。数据划分这是非常重要的一步对于Cora这类图常用的是固定划分即每个类别取固定数量的节点作为训练集、验证集和测试集。对于PPI数据本身已经分好了24张图可以按图划分。对于Yelp这类可能需要按时间划分用历史数据训练预测未来。特征工程可选对于像BlogCatalog这样缺乏特征的数据可以计算节点的度、进行图嵌入如Node2Vec作为初始特征。对于Yelp则需要从文本、类别中提取特征。归一化如果特征像PubMed那样是连续的TF-IDF值考虑进行行归一化或标准归一化有助于模型训练稳定。6. 超越数据集理解场景才能用好模型最后我想分享一点比技术细节更重要的心得理解数据背后的场景比跑出一个高分数更有价值。Cora、CiteSeer、PubMed告诉我们在引文网络中一篇论文的类别不仅取决于它的内容还取决于它引用了谁、被谁引用。这体现了同质性假设——相连的节点倾向于相似。所以GCN这类模型在这里效果很好。但在社交网络如BlogCatalog或电商网络如Yelp的用户-商品图中情况可能更复杂。社交网络既存在同质性朋友兴趣相似也存在异质性你可能关注一个完全不同领域的专家。而在推荐系统中用户和商品是两类完全不同的节点这要求模型能处理异质图。PPI网络则揭示了生物系统的模块化特性蛋白质功能团内部连接紧密。这启发我们设计能捕捉社区结构的模型。所以当你拿到一个新问题时先别急着套模型。问问自己我的图数据符合什么假设节点和边代表了什么物理意义我的任务目标是什么想清楚这些你才能从这六大经典数据集的“练兵场”中汲取真正的营养灵活地将图神经网络应用到更广阔的领域。记住数据是故事的载体模型是讲故事的技巧而你要做的是成为一个读懂故事并用新技巧讲出更精彩故事的人。