[ 2021 MAXP 命题赛 任务一：基于DGL的图机器学习任务 ] | [ Team: Graph@ICT ]
2021-MAXP-DGL图机器学习大赛解决方案-8-Graph@ICT.pdf
最终Test成绩（b榜）：rank6🥉，[获奖名单] | [答辩视频]。
有任何问题请联系 chihuixuan21@mails.ucas.ac.cn.
P.S. 一位大佬整理的前排解决方案。
dgl-cu102==0.7.2
pytorch==1.7.0
sklearn
pandas
numpy
datetime
tqdm
...pip install -r requirement.txt- Tesla V100 (32GB)
.
|--dataset
|--outputs
|--GAMLP
| |--scripts
| |--output
|--gnn
|--node2vec为了完整复现，我们建议从头进行端到端的训练（Scalable GNN训练的很快）
cd MAXP_DGL_Graph/
mkdir dataset # 存放所有数据集
mkdir outputs # 存放输出结果# 生成feature和DGL graph
process-1.ipynb
process-2.ipynb
process-3.ipynb
process-4.ipynb
# 根据test nodes构造sample_submission_for_test.csv
gen_test_submitcsv.ipynbcd gnn/
python3 csv_idx_map.pycd node2vec/
nohup python main.py > ../outputs/node2vec.log 2>&1 & 大约需要12h。
也可以直接下载node2vec_emb.zip，放到./dataset中并解压。链接: https://pan.baidu.com/s/1Kg3bLPJ6q8yUNjiPtQUBtA 密码: dvuw
cd GAMLP/scripts/
nohup bash train_maxp_kfold.sh > ../output/gamlp.log 2>&1 &大约需要16h。
也可以直接下载gamlp_ckpt.zip，放到./dataset中并解压，解压后可以不跑第4步以及之前的代码，直接运行第5步。链接: https://pan.baidu.com/s/1Q3v0Hlwqu8qI9-SCNBjt4A 密码: tn8h
每一折的best model模型文件model.zip可以从此处下载，解压后放到./GAMLP/output/maxp中。链接: https://pan.baidu.com/s/1JfYz0oUcVexxMoCZzsTqXQ 密码: 6e5b
cd GAMLP/
nohup python3 ensemble.py --all_train --gpu 1 > ./output/ensem.log 2>&1 &大约需要2h。
最终test：./outputs/submit_test_gamlp_ensem_xxxx-xx-xx_n2v.csv
最终valid：./outputs/submit_val_gamlp_ensem_xxxx-xx-xx_n2v.csv
| Method | Score |
|---|---|
| GAMLP (leaky-relu, 9 hops, 8-fold) + node2vec + C&S (DAD, AD) + Model Merge (+GAMLP_8fold_seed_{0-2}) | 49.7822086481499 |
| GAMLP (leaky-relu, 9 hops, 8-fold) + C&S (DAD, AD) + Model Merge (+GAMLP_8fold_seed_{0-2}) | 49.7923833548815 |
| GAMLP (leaky-relu, 9 hops, 8-fold) + C&S (DAD, AD) + Model Merge (+GAMLP_8fold_seed_{0}) | 49.7767704428278 |
a榜（Valid）结果记录。a榜最终成绩为14。
| Date | Method | Score |
|---|---|---|
| 2021-11-17 | GAMLP (leaky-relu, 9 hops, 8-fold) + node2vec + C&S (DAD, AD) + Model Merge (+GAMLP_8fold_seed_{0-1}) | 55.53829808307 |
| 2021-11-13 | GAMLP (leaky-relu, 9 hops) + node2vec + C&S (DAD, AD) + Model Merge (+GAMLP_seed_{0-9}) + lr adjustment | 55.5081350224647 |
| 2021-11-08 | GAMLP (leaky-relu) + node2vec + C&S + Model Merge (+GAMLP_seed_{0-9}) | 55.3825306357653 |
| 2021-11-06 | GAMLP + node2vec + C&S + Model Merge (+GAMLP_seed_{0-9}) | 55.3694749826675 |
| 2021-11-05 | GAMLP + node2vec + C&S + Model Merge (+GAMLP_seed_1, +SAGN_SE_stage_0, +SAGN_SE_stage_2, +SAGE, +GAT) | 55.0993580220235 |
| 2021-11-04 | GAMLP + node2vec + C&S + Model Merge (+SAGN-SE, +SAGE, +GAT) | 55.0070680604702 |
| 2021-10-31 | SAGN + node2vec + SE + Model Merge (+GAT, +SAGE) + C&S | 54.5420166932282 |
| 2021-10-24 | GAT + node2vec + FLAG + C&S + Model Merge (+SAGE, +GCN) | 54.2394856973069 |
| 2021-10-22 | GAT + node2vec + FLAG + C&S | 53.9846753644328 |
| ... | ... | ... |
| 2021-10-18 | GAT+res+bn+dropout+train_label的特征增强+FLAG +增加训练epoch（5--10） | 52.95 |
| 2021-10-17 | GAT+res+bn+dropout+train_label的特征增强+FLAG +inception（已注释） | 小于52.53 |
| 2021-10-15 | GAT+res+bn+dropout+train_label的特征增强 +FLAG | 52.53 |
| 2021-10-15 | GAT+res+bn+dropout +train_label的特征增强 | 51.27 |
| 2021-10-14 | GAT+ res+bn+dropout，调整了采样策略 | 50.79 |
| 2021-10-13 | GraphSAGE +一些tricks | 48.48 |
| 2021-10-13 | GraphSAGE（baseline） | 48.14 |
平均 degree: 16.9152 (加上反向边和self-loop后)
cd MAXP_DGL_Graph/
mkdir dataset
mkdir outputs对于4个Jupyter Notebook文件，请使用Jupyter环境运行，并注意把其中的竞赛数据文件所在的文件夹替换为你自己保存数据文件的文件夹。 并记录下你处理完成后的数据文件所在的位置，供下面模型训练使用。
cd node2vec/
# run node2vec in backward
nohup python main.py > ../outputs/node2vec.log 2>&1 &
tail -f ../outputs/node2vec.log结果保存在../dataset/emb.pt中， 下载链接emb.pt (1.7GB)。
cd sgc/
python3 main.py结果保存在../dataset/sgc_emb.pt中。
对于GNN的模型，需要先cd到gnn目录，然后运行：
cd gnn/
# generate index map
python csv_idx_map.py
# then run gnn in backward
nohup python3 model_train.py --GPU 1 --use_emb node2vec --use_label --flag --all_train > ../outputs/train1.log 2>&1 &
# check the result in terminal
tail -f ../outputs/train1.log
# or
python3 model_train.py --data_path ../dataset --gnn_model graphsage --hidden_dim 64 --n_layers 2 --fanout 20,20 --batch_size 4096 --GPU 1 --out_path ./test结果保存在../outputs/submit_xxxx-xx-xx.csv中。
目前融合GAT， GraphSAGE， GCN， 对logits进行加权求和。
# pretrain model in backward
cd gnn/
# graphattn
nohup python3 model_train.py --GPU 1 --use_emb node2vec --save_emb --all_train > ../outputs/train1.log 2>&1 &
# graphsage
nohup python3 model_train.py --GPU 0 --use_emb node2vec --save_emb --gnn_model graphsage --flag --all_train > ../outputs/train.log 2>&1 &
# graphconv
nohup python3 model_train.py --GPU 1 --use_emb node2vec --save_emb --gnn_model graphconv --flag --all_train > ../outputs/train1.log 2>&1 &
# run c&s
cd ../correct_and_smooth
python3 main.py --all_traininference logits保存在../dataset.y_soft.pt (GAT), ../dataset.y_soft_sage.pt (GraphSAGE), ../dataset.y_soft_conv.pt (GCN)中。
test结果保存在../outputs/submit_cs_xxxx-xx-xx.csv中。
进入SAGN_with_SLE文件夹，按照指示进行运行。
cd SAGN_with_SLE/scripts/maxp
nohup bash train_maxp_sagn_use_label.sh > ../../outputs/sagn.log 2>&1 &
# c&s + merge models
cd SAGN_with_SLE/src/
python3 post_process.py inference logits保存在./SAGN_with_SLE/intermediate_outputs/maxp/sagn/use_labels_False_use_feats_True_K_5_label_K_9_probs_seed_*_stage_*.pt中。
test结果保存在../outputs/submit_sagn_xxxx-xx-xx.csv中。
cd GAMLP/scripts/
# run all trains with seed 0-9
nohup bash train_maxp_kfold.sh > ../output/gamlp.log 2>&1 &
# run k-fold cv with diff seeds
nohup bash train_maxp_all.sh > ../output/gamlp1.log 2>&1 &
# post process + ensemble (model merge and c&s)
cd GAMLP/
nohup python3 ensemble.py --all_train --gpu 0 > ./output/ensem.log 2>&1 &inference logits保存在../dataset/gamlp_{seed}.pt(all train)和../dataset/gamlp_{k}fold_seed{seed}.pt(kfold)中。
最终ensemble的test结果保存在../outputs/submit_gamlp_ensem_xxxx-xx-xx.csv中。
模型融合 (所有模型先C&S)：
K-fold cross-validation -- Soft Voting: (16 ensemble)
| model | weight |
|---|---|
| GAMLP (seed 0, fold 0) | 0.2 |
| GAMLP (seed 0, fold 1) | 0.2 |
| ... | ... |
| GAMLP (seed 1, fold 7) | 0.2 |
CV Results 8 fold cv (0-7), 3 seeds (0-2).
| model | Val acc (%) |
|---|---|
| GAMLP (seed 0, 8 fold) | 0.6062 ± 0.0014 |
| GAMLP (seed 1, 8 fold) | 0.6063 ± 0.0012 |
| GAMLP (seed 2, 8 fold) | 0.6061 ± 0.0013 |
| seed | Val Acc (%) |
|---|---|
| 0 | 0.6076, 0.6036, 0.6060, 0.6088, 0.6060, 0.6061, 0.6059, 0.6055 |
| 1 | 0.6066, 0.6036, 0.6066, 0.6068, 0.6076, 0.6068, 0.6055, 0.6069 |
| 2 | 0.6076, 0.6033, 0.6066, 0.6075, 0.6057, 0.6066, 0.6058, 0.6058 |
ogbn-papers100M进行训练并保存model参数。
cd ogb/
# then run gnn in backward
nohup python3 model_train.py --GPU 0 --ogb --all_train > ../outputs/ogb.log 2>&1 &
# run model in this dataset
cd ../gnn/
nohup python3 model_train.py --GPU 1 --pretrain --use_emb --save_emb --all_train > ../outputs/train1.log 2>&1 &注意：请把--data_path的路径替换成用Jupyter Notebook文件处理后数据所在的位置路径。其余的参数，请参考model_train.py里面的入参说明修改。
如果希望使用单GPU进行模型训练，则需要修改入参 --GPU的输入值为单个GPU的编号，如：
--GPU 0如果希望使用单机多GPU进行模型训练，则需要修改入参 --GPU的输入值为多个可用的GPU的编号，并用空格分割，如：
--GPU 0 1 2 3进入gnn目录，配置launch.json，如下面所示（解析参数），uncomment相应的内容，点击开始调试。
{
// Use IntelliSense to learn about possible attributes.
// Hover to view descriptions of existing attributes.
// For more information, visit: https://go.microsoft.com/fwlink/?linkid=830387
"version": "0.2.0",
"configurations": [
{
"name": "Python: 当前文件",
"type": "python",
"request": "launch",
"program": "${file}",
"console": "integratedTerminal",
"cwd": "${fileDirname}",
"justMyCode": false,
// python model_train.py --data_path ../dataset --gnn_model graphsage --hidden_dim 64 --n_layers 2 --fanout 20,20 --batch_size 4096 --GPU 1 --out_path ./
// "args": [
// // "--data_path",
// // "../dataset",
// // "--gnn_model",
// // "graphattn",
// // "--hidden_dim",
// // "64",
// // "--n_layers",
// // "2",
// // "--fanout",
// // "20,20",
// // "--batch_size",
// // "4096",
// "--GPU",
// "1",
// // "--out_path",
// // "../outputs",
// // "--use_emb",
// // "--save_emb",
// "--all_train"
// ]
// SAGN products
// "args": [
// "--dataset",
// "ogbn-products",
// "--gpu",
// "0",
// "--aggr-gpu",
// "0",
// "--model",
// "sagn",
// "--seed",
// "0",
// "--num-runs",
// "10",
// "--threshold",
// "0.9",
// // "--epoch-setting",
// // "1000+200+200",
// "--lr",
// "0.001",
// "--weight-style",
// "uniform",
// "--batch-size",
// "50000",
// "--num-hidden",
// "512",
// "--dropout",
// "0.5",
// "--attn-drop",
// "0.4",
// "--input-drop",
// "0.2",
// "--K",
// "3",
// "--label-K",
// "9",
// "--use-labels",
// "--weight-decay",
// "0",
// "--warmup-stage",
// "-1",
// "--memory-efficient"
// ]
//SAGN maxp papers100M
// "args": [
// "--dataset",
// "maxp", // ogbn-papers100M
// "--gpu",
// "0",
// "--aggr-gpu",
// "1",
// "--eval-every",
// "1",
// "--model",
// "sagn",
// "--zero-inits",
// "--chunks",
// "1",
// "--memory-efficient",
// "--load-embs",
// "--load-label-emb",
// "--seed",
// "0",
// "--num-runs",
// "1",
// "--threshold",
// "0.5",
// "--epoch-setting",
// "1",
// "1",
// // "1",
// // "1",
// "--lr",
// "0.001",
// "--batch-size",
// "5000",
// "--num-hidden",
// "1024",
// "--dropout",
// "0.5",
// "--attn-drop",
// "0.",
// "--input-drop",
// "0.0",
// "--label-drop",
// "0.5",
// "--K",
// "5",
// "--label-K",
// "9",
// // "--use-labels",
// "--weight-decay",
// "0",
// "--warmup-stage",
// "-1",
// "--all-train"
// ]
}
]
}.
├── correct_and_smooth
│ ├── __init__.py
│ ├── main.py
│ ├── model.py
│ ├── __pycache__
│ │ ├── model.cpython-37.pyc
│ │ └── utils.cpython-37.pyc
│ └── utils.py
├── dataset
│ ├── csv_idx_map.pkl
│ ├── diff_nodes.csv
│ ├── emb.pt
│ ├── features.npy
│ ├── gamlp_1.pt
│ ├── gamlp_2.pt
│ ├── gamlp.pt
│ ├── graph.bin
│ ├── IDandLabels.csv
│ ├── labels.pkl
│ ├── link_phase1.csv
│ ├── sample_submission_for_validation.csv
│ ├── sgc_emb.pt
│ ├── test_id_dict.pkl
│ ├── train_nodes.csv
│ ├── use_labels_False_use_feats_True_K_5_label_K_9_probs_seed_0_stage_0.pt
│ ├── use_labels_False_use_feats_True_K_5_label_K_9_probs_seed_0_stage_2.pt
│ ├── validation_nodes.csv
│ ├── y_soft_conv.pt
│ ├── y_soft.pt
│ └── y_soft_sage.pt
├── GAMLP
│ ├── cs.py
│ ├── data
│ │ ├── mag
│ │ ├── preprocess_papers100m.py
│ │ └── train_graph_emb.sh
│ ├── dataset
│ │ └── ogbn_products
│ │ ├── embedding
│ │ ├── mapping
│ │ │ ├── labelidx2productcategory.csv.gz
│ │ │ ├── nodeidx2asin.csv.gz
│ │ │ └── README.md
│ │ ├── processed
│ │ │ ├── dgl_data_processed
│ │ │ ├── geometric_data_processed.pt
│ │ │ ├── pre_filter.pt
│ │ │ └── pre_transform.pt
│ │ ├── raw
│ │ │ ├── edge.csv.gz
│ │ │ ├── node-feat.csv.gz
│ │ │ ├── node-label.csv.gz
│ │ │ ├── num-edge-list.csv.gz
│ │ │ └── num-node-list.csv.gz
│ │ ├── RELEASE_v1.txt
│ │ ├── split
│ │ │ └── sales_ranking
│ │ │ ├── test.csv.gz
│ │ │ ├── train.csv.gz
│ │ │ └── valid.csv.gz
│ │ └── tmp
│ ├── GAMLP.pdf
│ ├── heteo_data.py
│ ├── layer.py
│ ├── load_dataset.py
│ ├── logger.py
│ ├── mag_perf.png
│ ├── main.py
│ ├── model.py
│ ├── output
│ │ ├── gamlp.log
│ │ ├── maxp
│ │ │ ├── 038fec23d66646bdbea4f48321c06d45_0.pkl
│ │ │ ├── 038fec23d66646bdbea4f48321c06d45_0.pt
│ │ │ ├── 038fec23d66646bdbea4f48321c06d45_1.pkl
│ │ │ ├── 038fec23d66646bdbea4f48321c06d45_1.pt
│ │ │ ├── 038fec23d66646bdbea4f48321c06d45_2.pkl
│ │ │ ├── 038fec23d66646bdbea4f48321c06d45_2.pt
│ │ │ ├── 13f02d430d834005afea80f9e6030903_0.pkl
│ │ │ ├── 13f02d430d834005afea80f9e6030903_0.pt
│ │ │ ├── 13f02d430d834005afea80f9e6030903_1.pkl
│ │ │ ├── 23531c5263b3401aba302b1f73ba5247_0.pkl
│ │ │ ├── 2759c14d61b0450f9126dc477056ca57_0.pkl
│ │ │ ├── 2759c14d61b0450f9126dc477056ca57_0.pt
│ │ │ ├── 4a0fc3843a654473a3523997d3e83165_0.pkl
│ │ │ ├── 4a0fc3843a654473a3523997d3e83165_0.pt
│ │ │ ├── 5092dc80131349739ebb3f57aa58595d_0.pkl
│ │ │ ├── 5663c4882fe94b7e868ab256afdb7d6a_0.pkl
│ │ │ ├── 59cfbd78a816409db493374a3f6015aa_0.pkl
│ │ │ ├── 59cfbd78a816409db493374a3f6015aa_0.pt
│ │ │ ├── 5ab3c46610744dd5b56dbb567d0c8e8a_0.pkl
│ │ │ ├── 68229d24c6984b27964cf146a2e8a25c_0.pkl
│ │ │ ├── 698c305da278499ca72571a1df44f3b7_0.pkl
│ │ │ ├── 698c305da278499ca72571a1df44f3b7_0.pt
│ │ │ ├── 6a87a8e7364244b4bc7d080cb3881b93_0.pkl
│ │ │ ├── 6db31805325040f496c3620c82cda285_0.pkl
│ │ │ ├── 6fed9e2239be4e36bdd59f24a8c3fe75_0.pkl
│ │ │ ├── 8372dcdf20584876b9d330ec5b8d8583_0.pkl
│ │ │ ├── 8372dcdf20584876b9d330ec5b8d8583_0.pt
│ │ │ ├── 8bc7149252e4410ea4227ff6ef00fdd1_0.pkl
│ │ │ ├── 8e1ca6b74ced47e39c28134137ed4d76_0.pkl
│ │ │ ├── 8e1ca6b74ced47e39c28134137ed4d76_0.pt
│ │ │ ├── 9b85f6536a4f4a38a36f5dded21fbbe4_0.pkl
│ │ │ ├── a32689c83e474a3b81fa05b530e549cd_0.pkl
│ │ │ ├── a32689c83e474a3b81fa05b530e549cd_0.pt
│ │ │ ├── a32689c83e474a3b81fa05b530e549cd_1.pkl
│ │ │ ├── a32689c83e474a3b81fa05b530e549cd_1.pt
│ │ │ ├── a32689c83e474a3b81fa05b530e549cd_2.pkl
│ │ │ ├── a32689c83e474a3b81fa05b530e549cd_2.pt
│ │ │ ├── ab15635c9b534e25bd591dd7677a67de_0.pkl
│ │ │ ├── b0b6c19d319049e695201d4d82aef63e_0.pkl
│ │ │ ├── b0b6c19d319049e695201d4d82aef63e_0.pt
│ │ │ ├── d30ab2026fd6474db2a369c9e41c806b_0.pkl
│ │ │ ├── d30ab2026fd6474db2a369c9e41c806b_0.pt
│ │ │ ├── e1251971498a43d681daaa5f0d7cb4cf_0.pkl
│ │ │ ├── e19d270746b84de3a164e687736e71ca_0.pkl
│ │ │ ├── e19d270746b84de3a164e687736e71ca_0.pt
│ │ │ ├── e989e5b5b044441bbd0bbd3e49da9f9b_0.pkl
│ │ │ ├── e989e5b5b044441bbd0bbd3e49da9f9b_0.pt
│ │ │ ├── f52a0739125a4778940a40cfdf0e3900_0.pkl
│ │ │ ├── f52a0739125a4778940a40cfdf0e3900_0.pt
│ │ │ ├── gamlp_0.pt
│ │ │ └── output_0.npy
│ │ └── ogbn-products
│ ├── papers100M_perf.png
│ ├── post_process.py
│ ├── products_perf.png
│ ├── __pycache__
│ │ ├── heteo_data.cpython-37.pyc
│ │ ├── layer.cpython-37.pyc
│ │ ├── load_dataset.cpython-37.pyc
│ │ ├── model.cpython-37.pyc
│ │ └── utils.cpython-37.pyc
│ ├── README.md
│ ├── requirements.txt
│ ├── scripts
│ │ ├── train_maxp.sh
│ │ └── train_products.sh
│ └── utils.py
├── gnn
│ ├── csv_idx_map.py
│ ├── flag.py
│ ├── __init__.py
│ ├── models.py
│ ├── model_train.py
│ ├── model_utils.py
│ ├── __pycache__
│ │ ├── models.cpython-37.pyc
│ │ ├── model_utils.cpython-37.pyc
│ │ └── utils.cpython-37.pyc
│ ├── test_chx.py
│ ├── test.ipynb
│ └── utils.py
├── LICENSE
├── MAXP 2021初赛数据探索和处理-1.ipynb
├── MAXP 2021初赛数据探索和处理-2.ipynb
├── MAXP 2021初赛数据探索和处理-3.ipynb
├── MAXP 2021初赛数据探索和处理-4.ipynb
├── node2vec
│ ├── main.py
│ ├── model.py
│ ├── __pycache__
│ │ ├── model.cpython-37.pyc
│ │ └── utils.cpython-37.pyc
│ └── utils.py
├── ogb
│ ├── csv_idx_map.py
│ ├── flag.py
│ ├── __init__.py
│ ├── models.py
│ ├── model_train.py
│ ├── model_utils.py
│ ├── __pycache__
│ │ ├── models.cpython-37.pyc
│ │ ├── model_utils.cpython-37.pyc
│ │ └── utils.cpython-37.pyc
│ ├── test_chx.py
│ ├── test.ipynb
│ └── utils.py
├── ogbn_papers100M
│ ├── mapping
│ │ ├── labelidx2arxivcategeory.csv.gz
│ │ ├── nodeidx2paperid.csv.gz
│ │ └── README.md
│ ├── processed
│ │ └── dgl_data_processed
│ ├── raw
│ │ ├── data.npz
│ │ └── node-label.npz
│ ├── RELEASE_v1.txt
│ └── split
│ └── time
│ ├── test.csv.gz
│ ├── train.csv.gz
│ └── valid.csv.gz
├── outputs
│ ├── dgl_ogb_model-081260.pth
│ ├── dgl_ogb_model_gat.pth
│ ├── node2vec.log
│ ├── ogb1.log
│ ├── ogb.log
│ ├── submit_2021-10-13.csv
│ ├── submit_2021-10-14.csv
│ ├── submit_2021-10-15.csv
│ ├── submit_2021-10-17.csv
│ ├── submit_2021-10-18.csv
│ ├── submit_2021-10-19.csv
│ ├── submit_2021-10-20.csv
│ ├── submit_cs_2021-10-20.csv
│ ├── submit_cs_2021-10-21.csv
│ ├── submit_cs_2021-10-22.csv
│ ├── submit_cs_2021-10-23.csv
│ ├── submit_cs_2021-10-24.csv
│ ├── submit_cs_2021-10-25.csv
│ ├── submit_cs_2021-10-26.csv
│ ├── submit_cs_2021-10-29.csv
│ ├── submit_gamlp_2021-11-04.csv
│ ├── submit_gamlp_2021-11-05.csv
│ ├── submit_gamlp_cs_2021-11-04.csv
│ ├── submit_gamlp_cs_2021-11-05.csv
│ ├── submit_sagn_2021-10-30.csv
│ ├── submit_sagn_2021-10-31.csv
│ ├── train1.log
│ └── train.log
├── README 2.md
├── README.md
├── requirements.txt
├── SAGN_with_SLE
│ ├── converge_stats
│ │ └── ogbn-products
│ │ └── sagn_uniform
│ │ ├── use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_0.csv
│ │ ├── use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_0.png
│ │ ├── use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_1.csv
│ │ ├── use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_1.png
│ │ ├── use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_2.csv
│ │ ├── use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_2.png
│ │ ├── val_loss_use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_0.csv
│ │ ├── val_loss_use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_0.png
│ │ ├── val_loss_use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_1.csv
│ │ ├── val_loss_use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_1.png
│ │ ├── val_loss_use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_2.csv
│ │ └── val_loss_use_labels_True_use_feats_True_K_5_label_K_9_seed_0_stage_2.png
│ ├── dataset
│ │ ├── maxp
│ │ │ ├── embedding
│ │ │ │ ├── smoothed_embs_K_5.pt
│ │ │ │ └── smoothed_label_emb_K_9.pt
│ │ │ └── tmp
│ │ ├── ogbn_products
│ │ │ ├── embedding
│ │ │ ├── mapping
│ │ │ │ ├── labelidx2productcategory.csv.gz
│ │ │ │ ├── nodeidx2asin.csv.gz
│ │ │ │ └── README.md
│ │ │ ├── processed
│ │ │ │ ├── dgl_data_processed
│ │ │ │ ├── geometric_data_processed.pt
│ │ │ │ ├── pre_filter.pt
│ │ │ │ └── pre_transform.pt
│ │ │ ├── raw
│ │ │ │ ├── edge.csv.gz
│ │ │ │ ├── node-feat.csv.gz
│ │ │ │ ├── node-label.csv.gz
│ │ │ │ ├── num-edge-list.csv.gz
│ │ │ │ └── num-node-list.csv.gz
│ │ │ ├── RELEASE_v1.txt
│ │ │ ├── split
│ │ │ │ └── sales_ranking
│ │ │ │ ├── test.csv.gz
│ │ │ │ ├── train.csv.gz
│ │ │ │ └── valid.csv.gz
│ │ │ └── tmp
│ │ └── use_labels_False_use_feats_True_K_5_label_K_9_probs_seed_0_stage_2.pt
│ ├── intermediate_outputs
│ │ ├── maxp
│ │ │ └── sagn
│ │ │ ├── use_labels_False_use_feats_True_K_3_label_K_9_probs_seed_0_stage_0.pt
│ │ │ ├── use_labels_False_use_feats_True_K_3_label_K_9_probs_seed_0_stage_1.pt
│ │ │ ├── use_labels_False_use_feats_True_K_3_label_K_9_probs_seed_0_stage_2.pt
│ │ │ ├── use_labels_False_use_feats_True_K_5_label_K_9_probs_seed_0_stage_0.pt
│ │ │ ├── use_labels_False_use_feats_True_K_5_label_K_9_probs_seed_0_stage_1.pt
│ │ │ ├── use_labels_False_use_feats_True_K_5_label_K_9_probs_seed_0_stage_2.pt
│ │ │ ├── use_labels_True_use_feats_True_K_3_label_K_9_probs_seed_0_stage_0.pt
│ │ │ ├── use_labels_True_use_feats_True_K_3_label_K_9_probs_seed_0_stage_1.pt
│ │ │ ├── use_labels_True_use_feats_True_K_3_label_K_9_probs_seed_0_stage_2.pt
│ │ │ └── use_labels_True_use_feats_True_K_3_label_K_9_probs_seed_0_stage_3.pt
│ │ └── ogbn-products
│ │ └── sagn_uniform
│ │ ├── use_labels_True_use_feats_True_K_5_label_K_9_probs_seed_0_stage_0.pt
│ │ ├── use_labels_True_use_feats_True_K_5_label_K_9_probs_seed_0_stage_1.pt
│ │ └── use_labels_True_use_feats_True_K_5_label_K_9_probs_seed_0_stage_2.pt
│ ├── LICENSE
│ ├── outputs
│ │ └── sagn.log
│ ├── README.md
│ ├── scripts
│ │ ├── cora
│ │ │ └── train_cora_sagn_use_labels.sh
│ │ ├── flickr
│ │ │ └── train_flickr_sagn.sh
│ │ ├── maxp
│ │ │ └── train_maxp_sagn_use_label.sh
│ │ ├── ogbn-mag
│ │ │ ├── train_ogbn_mag_sagn.sh
│ │ │ └── train_ogbn_mag_sagn_TransE.sh
│ │ ├── ogbn-papers100M
│ │ │ ├── train_ogbn_papers100M_sagn_no_labels.sh
│ │ │ └── train_ogbn_papers100M_sagn_use_label.sh
│ │ ├── ogbn-products
│ │ │ ├── postprocess_ogbn_products_sagn_use_labels.sh
│ │ │ ├── train_ogbn_products_mlp_no_labels.sh
│ │ │ ├── train_ogbn_products_mlp_use_labels.sh
│ │ │ ├── train_ogbn_products_sagn_no_features.sh
│ │ │ ├── train_ogbn_products_sagn_no_labels.sh
│ │ │ ├── train_ogbn_products_sagn_use_labels_morestages.sh
│ │ │ ├── train_ogbn_products_sagn_use_labels.sh
│ │ │ ├── train_ogbn_products_sign_no_labels.sh
│ │ │ ├── train_ogbn_products_sign_use_labels.sh
│ │ │ ├── train_ogbn_products_simple_sagn_exponent_no_labels.sh
│ │ │ ├── train_ogbn_products_simple_sagn_exponent_use_labels.sh
│ │ │ ├── train_ogbn_products_simple_sagn_uniform_no_labels.sh
│ │ │ └── train_ogbn_products_simple_sagn_uniform_use_labels.sh
│ │ ├── ppi
│ │ │ └── train_ppi_sagn.sh
│ │ ├── ppi_large
│ │ │ └── train_ppi_large_sagn.sh
│ │ ├── reddit
│ │ │ └── train_reddit_sagn.sh
│ │ └── yelp
│ │ └── train_yelp_sagn.sh
│ └── src
│ ├── dataset.py
│ ├── gen_models.py
│ ├── layers.py
│ ├── models.py
│ ├── post_process.py
│ ├── pre_process.py
│ ├── __pycache__
│ │ ├── dataset.cpython-37.pyc
│ │ ├── gen_models.cpython-37.pyc
│ │ ├── layers.cpython-37.pyc
│ │ ├── models.cpython-37.pyc
│ │ ├── pre_process.cpython-37.pyc
│ │ ├── train_process.cpython-37.pyc
│ │ └── utils.cpython-37.pyc
│ ├── sagn.py
│ ├── train_process.py
│ └── utils.py
├── self-kd
│ ├── loss.py
│ ├── models.py
│ ├── model_utils.py
│ ├── train_kd.py
│ └── utils.py
├── sgc
│ ├── main.py
│ ├── __pycache__
│ │ └── utils.cpython-37.pyc
│ └── utils.py
├── tmp
│ ├── emb.pt
│ ├── y_soft_conv.pt
│ ├── y_soft.pt
│ └── y_soft_sage.pt
├── tmp2
│ └── y_soft.pt
├── tmp3
│ └── y_soft.pt
└── tmp-pretrain
└── y_soft.pt
74 directories, 297 files