图神经网络实战：基于PyTorch Geometric的节点分类与链接预测

这是一个面向面向初学者的图神经网络开源项目（gnn-node-link-pytorch），基于PyTorch Geometric工具包，核心支持节点分类与链接预测两大任务，实现了GCN、GraphSAGE、GAT等主流模型，并在Cora和PubMed经典数据集上验证，帮助用户快速上手GNN技术。

图神经网络（GNN）专门处理社交网络、分子结构等图结构数据，但传统深度学习框架缺乏原生支持；PyTorch Geometric（PyG）为PyTorch补充了GNN工具包，降低了GNN模型构建与训练的门槛。

节点分类：通过已知节点标签预测未标注节点类别，如社交网络用户兴趣预测；链接预测：预测节点间是否存在连接，如推荐系统商品偏好预测、蛋白质相互作用预测。

项目支持三类模型：

• GCN：聚合邻居节点特征更新表示，是GNN奠基性工作；
• GraphSAGE：采样邻居并聚合特征，支持大规模图与归纳式学习；
• GAT：引入注意力机制，为不同邻居分配权重，聚焦关键连接。

数据集：

• Cora：2708篇ML论文（7类，1433维词袋特征，引用关系边）；
• PubMed：19717篇糖尿病论文（3类，考验模型扩展性）； 工具：集成GNNExplainer，识别影响预测的关键子图与节点特征，提升模型可解释性。

1. 选择数据集（Cora/PubMed或自定义）；
2. 配置参数（学习率、训练轮数等，提供默认值）；
3. 运行训练（自动训练并验证）；
4. 查看结果（预测结果与性能指标）。

GNN在多领域应用：

• 推荐系统：分析用户 户-商品交互图捕捉协同信号；\n- 药物发现：：分子图预测 性质与相互作用；；
• 社交网络络分析：：社区识别、影响力用户发现；
• 知识图谱补全：预测缺失关系支持智能问答。

项目为GNN学习提供友好入口，支持多种模型与数据集；建议开发者进一步探索：注意力机制细节、大规模图训练优化、跨领域应用案例；GNN技术未来将更多实际场景中发挥作用。