Awesome

异质图神经网络开源工具包

启智社区（中文版）｜ Github Community (English) ｜Space4HGNN [SIGIR2022] ｜Benchmark&Leaderboard | Slack Channel

OpenHGNN是一个基于 DGL [Deep Graph Library] 和 PyTorch 的开源异质图神经网络工具包，集成了异质图神经网络的前沿模型。

新闻

我们开源了0.7版本

• 新增模型和数据集
• 新增图提示学习框架
• 新增DGL的数据处理框架Graphbolt
• 新增GNN消息聚合方式：dgl.sparse
• 新增分布式训练流程

我们开源了0.5版本。

• 新增模型和数据集
• 四个新的前沿图学习任务：预训练、推荐、图攻防、异常事件检测
• TensorBoard可视化功能
• 维护和测试模块

OpenHGNN荣获启智社区优秀孵化项⽬奖！详细链接：https://mp.weixin.qq.com/s/PpbwEdP0-8wG9dsvRvRDaA

算法库支撑了北邮牵头，蚂蚁集团、中国移动、海致科技等参与的“大规模复杂异质图数据智能分析技术与规模化应用”项目。该项目获得了2022年电子学会科技进步一等奖。

我们开源了0.4版本。

• 新增模型
• 提供构建应用的流程
• 更多支持采样训练的模型
• 更新千万节点规模图的评测

我们的论文 <i>OpenHGNN: An Open Source Toolkit for Heterogeneous Graph Neural Network</i> 在CIKM2022 short paper track接收。

我们开源了0.3版本。

• 新增模型
• 支持API调用
• 简化定制数据集和模型流程
• 异质图信息可视化工具

我们开源了0.2版本。

• 新增模型
• 异质图神经网络的设计空间：Space4HGNN [SIGIR2022]
• 基准数据集以及排行榜：Benchmark&Leaderboard

• 全新的中文文档
• 免费的计算资源—— 云脑使用教程
• OpenHGNN最新功能
  • 新增模型：【KDD2017】Metapath2vec、【TKDE2018】HERec、【KDD2021】HeCo、【KDD2021】SimpleHGN、【TKDE2021】HPN、【ICDM2021】HDE、fastGTN
  • 新增日志功能
  • 新增美团外卖数据集
  </details>

关键特性

• 易用：OpenHGNN提供了了易用的接口在给定的模型和数据集上运行实验，且集成了 optuna 进行超参数优化。
• 可扩展：用户可以定义定制化的任务/模型/数据集来对新的场景应用新的模型。
• 高效：底层的DGL框架提供了提供了高效的API。

开始使用

环境要求

• Python >= 3.6

• PyTorch >= 2.3.0

• DGL >= 2.2.1

• CPU 或者 NVIDIA GPU, Linux, Python3

1. Python 环境 (可选): 推荐使用 Conda 包管理

conda create -n openhgnn python=3.6
source activate openhgnn

2. 安装Pytorch: 参考 PyTorch安装文档 根据你的操作系统和CUDA版本选择合适的安装命令。例如：

pip install torch torchvision torchaudio

3. 安装DGL: 参考 DGL安装文档 根据你的操作系统和CUDA版本选择合适的安装命令。例如：

pip install dgl -f https://data.dgl.ai/wheels/repo.html

4. 安装 openhgnn:

• 从pypi安装

pip install openhgnn

• 从源码安装

git clone https://github.com/BUPT-GAMMA/OpenHGNN
# If you encounter a network error, try git clone from openi as following.
# git clone https://git.openi.org.cn/GAMMALab/OpenHGNN.git
cd OpenHGNN
pip install .

5. 安装 gdbi(可选):

• 安装gdbi

pip install git+https://github.com/xy-Ji/gdbi.git

• 安装图数据库

pip install neo4j==5.16.0
pip install nebula3-python==3.4.0

在已有的评测上运行已有的基线模型 数据集

python main.py -m model_name -d dataset_name -t task_name -g 0 --use_best_config --load_from_pretrained 

使用方法: main.py [-h] [--model MODEL] [--task TASK] [--dataset DATASET] [--gpu GPU] [--use_best_config][--use_database]

可选参数:

-h, --help 展示帮助信息并退出

--model -m 模型名

--task -t 任务名

--dataset -d 数据集名

--gpu -g 控制你使用哪一个GPU，如果没有GPU，设定 -g -1。

--use_best_config use_best_config 意味着你使用该模型在该数据集下最优的配置，如果你想要设定不同的超参数,请手动修改 配置文件。使用最佳配置会覆盖配置文件中的参数。

--load_from_pretrained 从默认检查点加载模型。

--use_database 从数据库加载数据集

---mini_batch_flag 使用mini_batch方式训练HGNN

---graphbolt 使用graphbolt框架的mini_batch训练流程

---use_distributed 使用分布式方式训练HGNN

示例:

python main.py -m GTN -d imdb4GTN -t node_classification -g 0 --use_best_config

python main.py -m RGCN -d imdb4GTN -t node_classification -g 0 --mini_batch_flag --graphbolt

提示: 如果你对某个模型感兴趣,你可以参考下列的模型列表。

请参考 文档 了解更多的基础和进阶的使用方法。

使用TensorBoard可视化训练结果

tensorboard --logdir=./openhgnn/output/{model_name}/

示例：

tensorboard --logdir=./openhgnn/output/RGCN/

提示:需要先运行一次你想要可视化的模型，才能用以上命令可视化结果。

使用gdbi访问数据库中的标准图数据

以neo4j数据库和imdb数据集为例

• 构造图数据集的csv文件(节点级:A.csv，连接级:A_P.csv)
• 导入csv文件到图数据库中

LOAD CSV WITH HEADERS FROM "file:///data.csv" AS row
CREATE (:graphname_labelname {ID: row.ID, ... });

• 在config.py文件中添加访问图数据库所需的用户信息

self.graph_address = [graph_address]
self.user_name = [user_name]
self.password = [password]

• 示例:

python main.py -m MAGNN -d imdb4MAGNN -t node_classification -g 0 --use_best_config --use_database

模型

特定任务下支持的模型

表格中的链接给出了模型的基本使用方法.

候选模型

• Heterogeneous Graph Attention Networks for Semi-supervised Short Text Classification[EMNLP 2019]
• Heterogeneous Information Network Embedding with Adversarial Disentangler[TKDE 2021]

贡献者

OpenHGNN团队[北邮 GAMMA 实验室]、DGL 团队和鹏城实验室。

贡献者名单

引用OpenHGNN

欢迎在您的工作中用如下的方式引用OpenHGNN:

@inproceedings{han2022openhgnn,
  title={OpenHGNN: An Open Source Toolkit for Heterogeneous Graph Neural Network},
  author={Hui Han, Tianyu Zhao, Cheng Yang, Hongyi Zhang, Yaoqi Liu, Xiao Wang, Chuan Shi},
  booktitle={CIKM},
  year={2022}
}