• 异质图神经网络开源工具包
• • 新闻
  • 关键特性
  • 开始使用
  • • • 环境要求
      • 在已有的评测上运行已有的基线模型 数据集
  • 模型
  • • 特定任务下支持的模型
    • 候选模型
  • 贡献者

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

2022-02-28

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

2022-01-07

启智社区用户可以享受到如下功能：

• 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

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 >= 3.8

• PyTorch >= 1.9.0

• DGL >= 0.8.0

• 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=3.8
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 .

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]

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。

示例:

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

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。

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.

模型	节点分类	链路预测	推荐
TransE[NIPS 2013]		✔️
TransH[AAAI 2014]		✔️
TransR[AAAI 2015]		✔️
TransD[ACL 2015]		✔️
Metapath2vec[KDD 2017]	✔️
RGCN[ESWC 2018]	✔️	✔️
HERec[TKDE 2018]	✔️
HAN[WWW 2019]	✔️	✔️
KGCN[WWW 2019]			✔️
HetGNN[KDD 2019]	✔️	✔️
HeGAN[KDD 2019]	✔️
HGAT[EMNLP 2019]
GTN[NeurIPS 2019] & fastGTN	✔️
RSHN[ICDM 2019]	✔️	✔️
GATNE-T[KDD 2019]		✔️
DMGI[AAAI 2020]	✔️
MAGNN[WWW 2020]	✔️
HGT[WWW 2020]
CompGCN[ICLR 2020]	✔️	✔️
NSHE[IJCAI 2020]	✔️
NARS[arxiv]	✔️
MHNF[arxiv]	✔️
HGSL[AAAI 2021]	✔️
HGNN-AC[WWW 2021]	✔️
HeCo[KDD 2021]	✔️
SimpleHGN[KDD 2021]	✔️
HPN[TKDE 2021]	✔️	✔️
RHGNN[arxiv]	✔️
HDE[ICDM 2021]		✔️
HetSANN[AAAI 2020]	✔️
ieHGCN[TKDE 2021]	✔️

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