如何基于PyTorch Geometric的HeteroData训练GCN完成推文分类

1. 如何将推文与用户特征融入GCN模型？ #

首先你当前的HeteroData结构不符合PyG异构图的标准规范，需要先调整特征存储方式，再使用HeteroGCNConv（PyG专为异构图设计的GCN卷积层）实现跨节点类型的特征传递：

• 调整特征存储：把用户、推文特征分别放到对应节点类型的x字段中，边要明确标注节点类型和关系：

  # 修正HeteroData结构
  data = HeteroData()
  # 存储用户节点特征
  data['user'].x = user_features  # shape [2128, 8]
  # 存储推文节点特征
  data['tweet'].x = tweet_features  # shape [2758, 5]
  # 定义边类型：假设edge_index是用户到推文的关联（如用户发推文），关系名自定义为'posts'
  data['user', 'posts', 'tweet'].edge_index = edge_index  # shape [2, 2758]
  # 可选：生成反向边（推文关联到用户），支持信息双向传递
  data = data.to_undirected()
  # 存储推文标签
  data['tweet'].y = tweet_y  # 你的推文二分类标签向量
  

• 构建异构图GCN模型：通过HeteroGCNConv处理不同节点类型的卷积，最后仅取推文节点输出做分类：

  import torch
  import torch.nn.functional as F
  from torch_geometric.nn import HeteroGCNConv, Linear
  
  class HeteroGCN(torch.nn.Module):
      def __init__(self, hidden_channels, out_channels):
          super().__init__()
          # 第一层卷积：对应两种边类型的输入维度
          self.conv1 = HeteroGCNConv({
              ('user', 'posts', 'tweet'): (8, hidden_channels),
              ('tweet', 'rev_posts', 'user'): (5, hidden_channels),
          }, aggr='mean')
          # 第二层卷积
          self.conv2 = HeteroGCNConv({
              ('user', 'posts', 'tweet'): (hidden_channels, hidden_channels),
              ('tweet', 'rev_posts', 'user'): (hidden_channels, hidden_channels),
          }, aggr='mean')
          # 推文节点的二分类头
          self.lin = Linear(hidden_channels, out_channels)
  
      def forward(self, x_dict, edge_index_dict):
          x_dict = self.conv1(x_dict, edge_index_dict)
          x_dict = {key: F.relu(x) for key, x in x_dict.items()}
          x_dict = self.conv2(x_dict, edge_index_dict)
          # 仅取推文节点特征做分类
          return self.lin(x_dict['tweet'])
  

  模型会自动在用户和推文节点间传递特征，把用户的辅助信息聚合到推文节点上。

2. 训练时如何处理用户节点无标签的情况？ #

这完全不影响任务——你的目标是预测推文标签，用户节点仅作为图结构的一部分传递信息，根本不需要用户节点的标签。训练时只关注推文节点的预测结果即可：

• 先为推文节点划分训练/验证/测试掩码：

  num_tweets = data['tweet'].y.shape[0]
  perm = torch.randperm(num_tweets)
  train_mask = torch.zeros(num_tweets, dtype=torch.bool)
  val_mask = torch.zeros(num_tweets, dtype=torch.bool)
  test_mask = torch.zeros(num_tweets, dtype=torch.bool)
  
  train_mask[perm[:int(0.7*num_tweets)]] = True
  val_mask[perm[int(0.7*num_tweets):int(0.9*num_tweets)]] = True
  test_mask[perm[int(0.9*num_tweets):]] = True
  
  data['tweet'].train_mask = train_mask
  data['tweet'].val_mask = val_mask
  data['tweet'].test_mask = test_mask
  

• 训练时仅计算训练集推文节点的损失：

  model = HeteroGCN(hidden_channels=64, out_channels=2)
  optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
  criterion = torch.nn.CrossEntropyLoss()
  
  def train():
      model.train()
      optimizer.zero_grad()
      out = model(data.x_dict, data.edge_index_dict)
      # 仅用训练集推文的预测结果和标签计算损失
      loss = criterion(out[data['tweet'].train_mask], data['tweet'].y[data['tweet'].train_mask])
      loss.backward()
      optimizer.step()
      return loss.item()
  

  用户节点的特征会通过图卷积自动参与推文节点的特征更新，无需额外处理。

3. 应如何构建和预处理数据以适配PyTorch Geometric与GCN？ #

按以下步骤规范数据流程：

• 规范HeteroData结构：
  不要用自定义的user_features/tweet_features字段，严格遵循PyG规则：节点特征存在对应类型的x属性，边要明确标注源节点类型、关系类型、目标节点类型。
• 特征预处理：
  用户和推文特征维度不同，建议对每种节点类型的特征独立做归一化，避免尺度差异影响模型：

  from sklearn.preprocessing import StandardScaler
  
  # 归一化用户特征
  scaler_user = StandardScaler()
  user_features = scaler_user.fit_transform(user_features)
  data['user'].x = torch.tensor(user_features, dtype=torch.float)
  
  # 归一化推文特征
  scaler_tweet = StandardScaler()
  tweet_features = scaler_tweet.fit_transform(tweet_features)
  data['tweet'].x = torch.tensor(tweet_features, dtype=torch.float)
  

• 划分数据集掩码：
  必须为推文节点生成train_mask/val_mask/test_mask，保证训练、验证、测试过程独立，避免数据泄露。
• 检查数据格式：
  确保edge_index为[2, E]格式，第一行是源节点索引，第二行是目标节点索引，且节点索引为对应类型内的连续整数（如用户节点0_{2127，推文节点0}2757），若原始索引不连续需先做映射转换。

内容的提问来源于stack exchange，提问作者Hamda Slimi