链接预测与图分类
边预测任务、负采样、图级池化，以及用于图分类的 GINConv。
链接预测与图分类 是 CoddyKit 上的免费 Learn AI with Python 课时。 这是第 4 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Learn AI with Python 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Learn AI with Python 课程共包含 4 节课。
两个新的图任务
除了节点分类之外，GNN 还可以处理：
- 链接预测：两个节点之间是否会存在一条边？（好友推荐、药物相互作用）
- 图分类：为整个图分配一个标签（这个分子有毒吗？）
链接预测设置
在链接预测中，我们首先使用 GNN 计算节点嵌入表示，然后对候选节点对进行评分。高分表示模型认为这两个节点之间应该存在一条边。
为边评分
一种常见的边评分方法是两个节点嵌入表示的点积：score = dot(h_u, h_v)。相似的嵌入表示会产生较高的点积，因此可以预测这两个节点很可能相连。
h = gnn(data.x, data.edge_index) # node embeddings
score = (h[u] * h[v]).sum(dim=-1) # dot product per pair负采样
图只列出实际存在的边（正样本）。要训练分类器，我们还需要不存在的边。负采样会随机选取没有连接的节点对作为负样本，从而平衡训练集。
from torch_geometric.utils import negative_sampling
neg_edge_index = negative_sampling(
edge_index=data.edge_index,
num_nodes=data.num_nodes,
num_neg_samples=data.edge_index.size(1),
)带逻辑值的二元交叉熵损失
链接预测是二元任务（有边或无边）。我们为正样本对和负样本对打上 1 和 0 的标签，并使用 BCEWithLogitsLoss进行训练。该损失以数值稳定的方式将 S 形函数与二元交叉熵结合起来。
import torch
pos = (h[pos_u] * h[pos_v]).sum(-1)
neg = (h[neg_u] * h[neg_v]).sum(-1)
scores = torch.cat([pos, neg])
labels = torch.cat([torch.ones_like(pos), torch.zeros_like(neg)])
loss = torch.nn.functional.binary_cross_entropy_with_logits(scores, labels)切换到图分类
对于图分类，我们需要每个图对应一个向量，而不是每个节点对应一个向量。在 GNN 层生成节点嵌入表示后，我们将其池化为一个图级表示。
global_mean_pool
global_mean_pool会对一个图中的所有节点嵌入表示取平均，从而生成一个固定大小的向量，与图的大小无关。当多个图组成一个批次时，batch索引会告诉它每个节点属于哪个图。
from torch_geometric.nn import global_mean_pool
h = gnn(x, edge_index) # [num_nodes, dim]
hg = global_mean_pool(h, batch) # [num_graphs, dim]
logits = classifier(hg)池化为何重要
池化使模型不受节点顺序和图大小的影响：两个同构图会产生相同的池化向量。平均池化很简单；求和池化和最大池化是另外两种选择，它们具有不同的敏感性。
GINConv
GINConv（图同构网络）是一种表达能力更强的卷积层。它使用 MLP 和求和聚合，专门用于最大化消息传递在图级任务中的判别能力。
from torch_geometric.nn import GINConv
import torch
mlp = torch.nn.Sequential(
torch.nn.Linear(in_dim, hid),
torch.nn.ReLU(),
torch.nn.Linear(hid, hid),
)
conv = GINConv(mlp)与 Weisfeiler-Leman 的联系
GIN 的设计目标是达到 Weisfeiler-Leman（WL）测试的能力。Weisfeiler-Leman 是一种用于区分非同构图的经典算法。许多更简单的 GNN 无法区分某些图，而 GIN 可以做到这一点，其能力上限与 WL 测试相当，因此非常适合图分类。
选择合适的工具
请根据任务匹配架构：
- 链接预测：GNN 嵌入 + 点积评分 + 负采样 + BCE 损失
- 图分类：使用 GINConv 等表达能力强的卷积层 + 全局池化 + 分类器
快速检查
请测试您对知识的掌握情况。
回顾
您已经学习了链接预测和图分类：
- 边得分 =
dot(h_u, h_v)，使用负采样和BCEWithLogitsLoss进行训练 - global_mean_pool将节点嵌入转换为图级向量
- GINConv具有很强的表达能力，可以达到Weisfeiler-Leman 测试的能力
常见问题解答
「链接预测与图分类」课时是免费的吗？
是的 — 「链接预测与图分类」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Learn AI with Python 课程的其余内容，请升级到 CoddyKit PRO。 Learn AI with Python 课程共包含 4 节课。
「链接预测与图分类」这节课中我会学到什么？
边预测任务、负采样、图级池化，以及用于图分类的 GINConv。 你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Learn AI with Python 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Learn AI with Python 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 4 节课，共 4 节。
「链接预测与图分类」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Learn AI with Python 课中编写并运行代码吗？
能。每节 Learn AI with Python 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 机器学习的图论基础
- 图卷积网络（GCN）
- 使用 GNN 进行节点分类
- 链接预测与图分类