StellarGraph无监督GraphSage示例运行报错求助

错误原因分析 #

这个错误本质是GraphSAGE无监督模型的输入结构与生成器输出不匹配：

• 无监督GraphSAGE训练完成后，用于提取embedding的模型（embedding_model）需要接收多个输入张量（对应中心节点特征、各层邻居采样的特征），但你的node_gen生成器只输出了单个张量，导致模型输入不匹配。
• 大概率是StellarGraph与TensorFlow版本不兼容，或者生成器配置、模型构建的步骤出现偏差。

具体解决方案 #

1. 安装兼容版本的StellarGraph和TensorFlow #

版本不兼容是这类输入不匹配问题的常见诱因，建议锁定经过验证的版本组合：

pip install stellargraph==1.2.1 tensorflow==2.4.1

安装完成后重启运行环境，确保版本生效。

2. 修正生成器与模型构建的关键步骤 #

确保整个流程的输入输出结构完全匹配：

• 创建UnsupervisedSampler：

  from stellargraph.data import UnsupervisedSampler
  
  # 采样参数需与后续GraphSAGE的层数对应
  sampler = UnsupervisedSampler(
      G, 
      nodes=G.nodes(), 
      length=5, 
      number_of_walks=2
  )
  

• 创建GraphSAGENodeGenerator：

  from stellargraph.mapper import GraphSAGENodeGenerator
  
  # num_samples的长度要和GraphSAGE的layer_sizes长度一致
  generator = GraphSAGENodeGenerator(
      G, 
      batch_size=50, 
      num_samples=[10, 5]  # 对应2层GraphSAGE，每层采样10、5个邻居
  )
  

• 构建无监督GraphSAGE模型并提取embedding模型：

  from stellargraph.layer import GraphSAGE, link_classification
  from tensorflow.keras.models import Model
  
  graphsage = GraphSAGE(
      layer_sizes=[128, 128],  # 层数与num_samples长度一致
      generator=generator,
      bias=True,
      dropout=0.5,
  )
  x_inp, x_out = graphsage.in_out_tensors()
  
  # 构建训练用的链接分类模型
  prediction = link_classification(
      output_dim=1,
      output_act="sigmoid",
      edge_embedding_method="ip"
  )(x_out)
  train_model = Model(inputs=x_inp, outputs=prediction)
  
  # 构建用于提取embedding的模型（关键：复用x_inp和x_out）
  embedding_model = Model(inputs=x_inp, outputs=x_out)
  

• 创建节点embedding的生成器：

  node_gen = generator.flow(G.nodes())
  

  这里的generator.flow(G.nodes())会自动生成模型需要的多输入张量结构（中心节点+各层邻居特征）。

3. 调整predict调用参数 #

避免因多线程导致的输入解析问题，先尝试单worker模式：

node_embeddings = embedding_model.predict(node_gen, workers=1, verbose=1)

运行正常后再逐步调高workers数值。

验证方法 #

运行以下代码检查生成器输出结构是否符合要求：

sample = next(iter(node_gen))
print(f"生成器输出的张量数量: {len(sample)}")
print(f"每个张量的形状: {[t.shape for t in sample]}")

正常情况下，输出的张量数量应该等于len(num_samples) + 1（中心节点 + 每层邻居），比如num_samples=[10,5]时，应该有3个输入张量，与模型的输入层数量对应。

内容的提问来源于stack exchange，提问作者Shradhit Subudhi