使用Python将邻接矩阵转换为torch_geometric.data.Data格式及x参数疑问

核心疑问解答 #

节点特征矩阵x不需要传入边权重矩阵，二者属于完全不同的属性维度：

• 节点特征矩阵x：形状为[num_nodes, num_node_features]，每一行对应一个节点本身的固有属性，和边的连接关系没有直接关联
• 边权重属于边的属性，需要存入Data的edge_attr参数中，形状要求为[num_edges, num_edge_features]，如果只有边权重这一个边特征，调整为[num_edges, 1]的形状即可

邻接矩阵转Data完整实操示例 #

基于你现有的代码补全实现如下：

import torch
import scipy.sparse as scpy
from torch_geometric.data import Data

# 读取邻接矩阵并转换为CSR格式
adj_np = adjacencyMat_df.iloc[: , 1:].values
torch_tensor = torch.tensor(adj_np, dtype=torch.float)
A = scpy.csr_matrix(adj_np)

# 提取edge_index和边权重
coo_mat = A.tocoo()
edge_index = torch.tensor([coo_mat.row, coo_mat.col], dtype=torch.long)
# 边权重转为符合edge_attr要求的形状
edge_weight = torch.tensor(coo_mat.data, dtype=torch.float).unsqueeze(1)

# 构造节点特征x（以下为两种无额外节点特征时的常用方案二选一）
num_nodes = adj_np.shape[0]
# 方案1：用单位矩阵作为节点特征，每个节点对应独热编码
x = torch.eye(num_nodes, dtype=torch.float)
# 方案2：用节点度作为节点特征
# node_degree = torch.tensor(A.sum(axis=1), dtype=torch.float)
# x = node_degree

# 生成最终Data对象
data = Data(
    x=x,
    edge_index=edge_index,
    edge_attr=edge_weight
)

不同场景的节点特征列含义说明 #

节点特征的每一列对应节点的一个维度的属性，不同应用场景的特征定义差异较大，常见场景示例如下：

• 社交网络场景：特征维度一般为3~10维，每列分别对应用户年龄、性别编码、月均消费、注册时长、实名认证标识等，多用于节点分类（识别营销号）、链路预测（推荐好友）
• 分子预测场景：特征维度一般为10~20维，每列分别对应原子序数、芳香族标识、连接氢原子数、形式电荷等，多用于图分类（判断分子毒性）
• 交通预测场景：特征维度一般为24维，每列对应路口过去24个小时的平均车流量，多用于节点回归（预测下一小时车流量）

内容的提问来源于stack exchange，提问作者SysEng