?

一 cora數據集- 內容介紹

cora數據集- 下載地址
https://linqs-data.soe.ucsc.edu/public/lbc/cora.tgz

樣本特征，標簽，鄰接矩陣

• 該數據集共2708個樣本點，每個樣本點都是一篇科學論文，所有樣本點被分為8個類別，類別分別是1）基于案例；2）遺傳算法；3）神經網絡；4）概率方法；5）強化學習；6）規則學習；7）理論
• 每篇論文都由一個1433維的詞向量表示，所以，每個樣本點具有1433個特征。詞向量的每個元素都對應一個詞，且該元素只有0或1兩個取值。取0表示該元素對應的詞不在論文中，取1表示在論文中。所有的詞來源于一個具有1433個詞的字典。
• 每篇論文都至少引用了一篇其他論文，或者被其他論文引用，也就是樣本點之間存在聯系，沒有任何一個樣本點與其他樣本點完全沒聯系。如果將樣本點看做圖中的點，則這是一個連通的圖，不存在孤立點。

二 文件格式

• 下載的壓縮包中有三個文件，分別是cora.cites，cora.content，README。
• README是對數據集的介紹；cora.content是所有論文的獨自的信息；cora.cites是論文之間的引用記錄。

cora.content

共有2708行，每一行代表一個樣本點，即一篇論文。如下所示，每一行由三部分組成，

• 分別是論文的編號，如31336；
• 論文的詞向量，一個有1433位的二進制, 表示1433個詞匯中的每個單詞在文章中是存在(由1表示)還是不存在(由0表示)
• 論文的類別，如Neural_Networks。

因此該數據的特征應該有 1433 個維度，另外加上第一個字段 idx，最后一個字段 label， 一共有 1433 + 2 個維度。

31336 0 0..... 0 0 0 0 0 0 0 0 0 0 0 0 Neural_Networks 1061127 0 0..... 0 0 0 0 0 0 0 0 0 0 0 0 Rule_Learning 1106406 0 0..... 0 0 0 0 0 0 0 0 0 0 0 Reinforcement_Learning

cora.cites

• 共5429行， 每一行有兩個論文編號，表示第一個編號的論文先寫，第二個編號的論文引用第一個編號的論文。如下所示：

35 1033 35 103482 35 103515

• 如果將論文看做圖中的點，那么這5429行便是點之間的5429條邊。

?

三 用Python處理

用python導入數據，并分離樣本特征，標簽，創建鄰接矩陣

import numpy as np import scipy.sparse as sp import torchimport pandas as pd import numpy as np# 導入數據：分隔符為空格 raw_data = pd.read_csv('../data/cora/cora.content', sep='\t', header=None) num = raw_data.shape[0] # 樣本點數2708# 將論文的編號轉[0,2707] a = list(raw_data.index) b = list(raw_data[0]) c = zip(b, a) map = dict(c)# 將詞向量提取為特征,第二行到倒數第二行 features = raw_data.iloc[:, 1:-1] # 檢查特征：共1433個特征，2708個樣本點 print(features.shape)labels = pd.get_dummies(raw_data[1434]) print(labels.head(3))raw_data_cites = pd.read_csv('../data/cora/cora.cites', sep='\t', header=None)# 創建一個規模和鄰接矩陣一樣大小的矩陣 matrix = np.zeros((num, num)) # 創建鄰接矩陣 for i, j in zip(raw_data_cites[0], raw_data_cites[1]):x = map[i]y = map[j] # 替換論文編號為[0,2707]matrix[x][y] = matrix[y][x] = 1 # 有引用關系的樣本點之間取1 # 查看鄰接矩陣的元素和（按每列匯總） print(sum(matrix))

?

?

import numpy as np import scipy.sparse as sp import torchdef encode_onehot(labels):classes = set(labels)classes_dict = {c: np.identity(len(classes))[i, :] for i, c inenumerate(classes)}labels_onehot = np.array(list(map(classes_dict.get, labels)),dtype=np.int32)return labels_onehotdef normalize(mx):"""Row-normalize sparse matrix"""rowsum = np.array(mx.sum(1))r_inv = np.power(rowsum, -1).flatten()r_inv[np.isinf(r_inv)] = 0.r_mat_inv = sp.diags(r_inv)mx = r_mat_inv.dot(mx)return mxdef normalize_adj(adjacency):degree = np.array(adjacency.sum(1))d_hat = sp.diags(np.power(degree, -0.5).flatten())adj_norm = d_hat.dot(adjacency).dot(d_hat).tocoo()return adj_normdef normalize_features(features):return features / features.sum(1)def load_data(path="../data/cora/", dataset="cora"):"""Load citation network dataset (cora only for now)"""print('Loading {} dataset...'.format(dataset))idx_features_labels = np.genfromtxt("{}{}.content".format(path, dataset),dtype=np.dtype(str))features = sp.csr_matrix(idx_features_labels[:, 1:-1], dtype=np.float32)labels = encode_onehot(idx_features_labels[:, -1])# build graphidx = np.array(idx_features_labels[:, 0], dtype=np.int32)idx_map = {j: i for i, j in enumerate(idx)}edges_unordered = np.genfromtxt("{}{}.cites".format(path, dataset),dtype=np.int32)edges = np.array(list(map(idx_map.get, edges_unordered.flatten())),dtype=np.int32).reshape(edges_unordered.shape)adj = sp.coo_matrix((np.ones(edges.shape[0]), (edges[:, 0], edges[:, 1])),shape=(labels.shape[0], labels.shape[0]),dtype=np.float32)# build symmetric adjacency matrixadj = adj + adj.T.multiply(adj.T > adj) - adj.multiply(adj.T > adj)features = normalize_features(features)adj = normalize_adj(adj + sp.eye(adj.shape[0]))idx_train = range(140)idx_val = range(200, 500)idx_test = range(500, 1500)features = torch.FloatTensor(np.array(features))labels = torch.LongTensor(np.where(labels)[1])adj = torch.FloatTensor(np.array(adj.todense()))idx_train = torch.LongTensor(idx_train)idx_val = torch.LongTensor(idx_val)idx_test = torch.LongTensor(idx_test)return adj, features, labels, idx_train, idx_val, idx_test# Load data adj, features, labels, idx_train, idx_val, idx_test = load_data()

?

總結

以上是生活随笔為你收集整理的图数据集之cora数据集介绍 --- 适用于GCN任务的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。