有没有ernieSAGE节点分类的例子？ about paddlenlp HOT 5 CLOSED

您好！

因 ErnieSAGE 节点分类场景使用较少，本repo暂未将节点分类的例子迁移。
由于目前PGL的 ErnieSAGE节点分类的例子暂时移除了。您可以参考下面的PR，来修改适配节点分类任务。
https://github.com/PaddlePaddle/PGL/pull/116/files

主要需要修改的点，是数据
https://github.com/PaddlePaddle/PGL/pull/116/files#diff-c8e8737ec50e6d7af7b3228e18fcd9c67a6d43e447870b1e8904f7496af4ce24R128
和 模型
https://github.com/PaddlePaddle/PGL/pull/116/files#diff-562552ce495899a7dba6b0891cd6a49d3f8fd495a2da6e60ef8149c8d8305caaR78
这两块的代码。

如果想使用ErnieSAGE做节点分类的用户较多，我们后面可以考虑新增节点分类的例子。
如果您可以参考PGL实现节点分类的例子，也非常欢迎您给我们贡献代码。

from paddlenlp.

您好！

因 ErnieSAGE 节点分类场景使用较少，本repo暂未将节点分类的例子迁移。
由于目前PGL的 ErnieSAGE节点分类的例子暂时移除了。您可以参考下面的PR，来修改适配节点分类任务。
https://github.com/PaddlePaddle/PGL/pull/116/files

主要需要修改的点，是数据
https://github.com/PaddlePaddle/PGL/pull/116/files#diff-c8e8737ec50e6d7af7b3228e18fcd9c67a6d43e447870b1e8904f7496af4ce24R128
和 模型
https://github.com/PaddlePaddle/PGL/pull/116/files#diff-562552ce495899a7dba6b0891cd6a49d3f8fd495a2da6e60ef8149c8d8305caaR78
这两块的代码。

如果想使用ErnieSAGE做节点分类的用户较多，我们后面可以考虑新增节点分类的例子。
如果您可以参考PGL实现节点分类的例子，也非常欢迎您给我们贡献代码。

你好，感谢你的回复。我在你发的https://github.com/WeiyueSu/PGL/tree/main/examples 的库里发现了unsup_graphsage，但是与一般的unsup_graphsage不同的是此版本没有提供节点的初始特征，请问应该在哪部分初始化自己的节点特征？

from paddlenlp.

你好，感谢你的回复。我在你发的https://github.com/WeiyueSu/PGL/tree/main/examples 的库里发现了unsup_graphsage，但是与一般的unsup_graphsage不同的是此版本没有提供节点的初始特征，请问应该在哪部分初始化自己的节点特征？

此处unsup_graphsage，使用了可学习的 embeding参数作为特征， https://github.com/PaddlePaddle/PGL/blob/main/legacy/examples/unsup_graphsage/train.py#L104
如果想加入节点的特征，可以在此处将 embedding 特征和 节点初始特征相加。

节点初始特征，可以加入图结构中，然后到 graph_wrapper中去取出来。

from paddlenlp.

你好，感谢你的回复。我在你发的https://github.com/WeiyueSu/PGL/tree/main/examples 的库里发现了unsup_graphsage，但是与一般的unsup_graphsage不同的是此版本没有提供节点的初始特征，请问应该在哪部分初始化自己的节点特征？

此处unsup_graphsage，使用了可学习的 embeding参数作为特征， https://github.com/PaddlePaddle/PGL/blob/main/legacy/examples/unsup_graphsage/train.py#L104
如果想加入节点的特征，可以在此处将 embedding 特征和 节点初始特征相加。

节点初始特征，可以加入图结构中，然后到 graph_wrapper中去取出来。

    batch_negative_label = fluid.layers.reshape(
        fluid.layers.range(0, batch_size, 1, "int64"), [-1, 1])
    batch_negative_label = fluid.layers.one_hot(batch_negative_label,
                                                batch_size)

用同一批次中的其他样本作为负样本，会不会导致正样本作为负样本训练？

from paddlenlp.

用同一批次中的其他样本作为负样本，会不会导致正样本作为负样本训练？

    batch_size = args.batch_size
    batch_negative_label = fluid.layers.reshape(
        fluid.layers.range(0, batch_size, 1, "int64"), [-1, 1])
    batch_negative_label = fluid.layers.one_hot(batch_negative_label,
                                                batch_size)
    batch_loss_weight = (batch_negative_label *
                         (batch_size - 2) + 1.0) / (batch_size - 1)

这里把对角线上的正样本权重设置为0了。

from paddlenlp.