图神经网络的ImageNet？斯坦福开源百万量级OGB基准测试数据集

机器之心原创

作者：思、一鸣

在满是「MNIST」这样的小数据里，图神经网络也需要「ImageNet」这样的大基准？近日，斯坦福大学的 Jure Leskovec 教授在 NeurlPS 2019 大会演讲中宣布开源 Open Graph Benchmark，这是迈向图神经网络建模统一基准的重要一步。

图神经网络是近来发展较快的机器学习分支领域。通过将非结构数据转换为结构化的节点和边的图，然后采用图神经网络进行学习，往往能够取得更好的效果。

然而，图神经网络发展到现在，尚无一个公认的基准测试数据集。许多论文采用的方法往往是针对较小的、缺乏节点和边特征的数据集上进行的。因此，在这些数据集上取得的模型性能很难说是最好的，也不一定可靠，这对进一步发展造成阻碍。

在 NeurlPS 2019 大会的图表示学习演讲中，Jure Leskovec 宣布开源图神经网络的通用性能评价基准数据集 OGB（Open Graph Benchmark）。通过这一数据集，可以更好地评估模型性能等方面的指标。

• 项目地址：http://ogb.stanford.edu
• 图表示学习演讲合集：https://slideslive.com/38921872/graph-representation-learning-3

本次演讲的嘉宾为 Jure Leskovec，是斯坦福大学计算机科学的副教授。他主要的研究兴趣是社会信息网络的挖掘和建模等，特别是针对大规模数据、网络和媒体数据。

值得注意的是，OGB 数据集也支持了 PYG 和 DGL 这两个常用的图神经网络框架。DGL 项目的发起人之一、AWS 上海 AI 研究院院长，上海纽约大学张峥教授（学术休假中）说：「现阶段，我认为 OGB 的最大作用是促成学界走出玩具型数据集。一个统一的、更复杂、更多样的数据集会使得研究人员重新聚集力量，虽然还会有模型过拟合标准数据集带来的弊端，但对提升模型和算法效果、提高 DGL 等平台的能力有着重要作用。」

张峥教授表示，Open Graph Benchmark 这种多样与统一的基准，对于图神经网络来说，是非常有必要的一步。

首个统一的图神经网络开放基准

在演讲中，Jure Leskovec 表示，目前常用的节点分类数据集也有 2k～3k 个节点，4k 到 5k 条边，这实在是太小了。我们急需一种多样性、具有挑战性，且同时又非常接近真实业务的数据基准。

Open Graph Benchmark 就是这样背景下提出的一项工作，它包含了各种图数据、加载与处理图数据的代码库，以及度量图模型的代码库。整个实验流程，研究者只需要关注最核心的模型搭建就可以了，剩下的都可以交给 Open Graph Benchmark。

如下是 Jure Leskovec 在 NeurIPS 研讨会上介绍的 OGB：

OGB 能支持 PyG 和 DGL 等主流图神经网络框架，也能支持新颖的数据集切分。其中在图神经网络中，数据集的切分特别重要，它和一般的机器学习任务有很大的不同。

「我认为随着研究的发展，OGB 还会继续滚动，目前它类似于视觉领域的 CIFAR。」，张峥教授说：「OGB 数据在异构图的占比还太小，任务局限在点、边、图的分类，而在图上做推理、时间这个重要的维度等都还没有考虑。总之，我期待 OGB 还有非常大的发展空间。」

OGB 的数据是什么

毕竟是一个基准测试数据集，OGB 的数据自然是重中之重。根据官网提供的资料，OGB 的数据按照任务要求分为以下几类：

• 节点预测；
• 连接预测（边）预测；
• 图预测；

以下为每个任务中包含的数据集：

节点预测

• odbn-proteins：蛋白质数据集，有着蛋白质之间的关联网络，而且包括了多种生物；
• odbn-wiki：维基百科数据形成的网络；
• ogbn-products：亚马逊客户同时购买的商品的网络。

目前该基准测试所包含的数据集。

从数据集的类型来看，涵盖了现有的几大需要图表示学习的领域：生物学/分子化学、自然语言处理，以及商品推荐系统网络等。此外，这些图数据的量也非常大。例如，ogbn-wiki 的数据量已达到百万级别（节点），而最小的 ogbn-proteins 也有 100K 了。这和之前的很多图数据相比都显得更加庞大，因此也能更好地评价模型的性能表现。

连接预测

连接预测中的数据集则更多一些，包括：

• ogbi-ddi：药物相互作用网络；
• ogbi-biomed：人类生物医药知识图谱；
• ogbi-ppa：蛋白质之间的关系网络；
• ogbi-reviews：亚马逊的用户-商品评论数据集；
• ogbi-citations：微软学术的引用关系网络图谱。

相比节点数据集来说，连接预测的数据集更多一些，类型也更为多样。

图预测

OGB 同时也提供了对图进行预测的任务数据集，分别有：

• ogbg-mol：对分子进行预测，来自 MoleculeNet；
• ogbg-code：代码段的语法树结构网络；
• ogbg-ppi：蛋白质之间的交互网络；

从总体来看，数据集中偏向医药和生物的数据集很多。张峥教授认为，这可能有两个原因，首先是项目主导者 Jure 等在这一领域做了比较多的工作，因此推动这些数据集开源顺理成章。另一个原因是药分子的图数据相对干净，噪声少。而药品的结构是 3D 的，可能需要比较复杂、层数更深的模型解决相关的问题。

对于未来会有哪些数据集加入，张教授认为现在关于异构图的数据还不够多，而现实中的很多数据都是异构图表示的。但是，OGB 的作用依然明显，它能够很好地提升开源图神经网络框架的能力，推动开源社区集中力量解决实际问题。

另外，OGB 数据集中缺少金融、征信等领域的数据集，特别是反欺诈类的。这可能是因为反欺诈数据集脱敏后特征丢失过多的问题所致，但瑕不掩瑜，OGB 无疑帮助图神经网络脱离了所谓的「玩具模型」阶段，开始逐渐进入工业应用。

数据加载与评估

OGB 如此庞大的数据量需要专门的代码进行提取。据悉，所有开源的数据集都可以用特定的代码进行提取和加载，使用过程和深度学习框架中的 data_loader 相似。不过在使用前，我们还需要简单地使用「pip install ogb」完成安装。目前 OGB 库主要依赖于 PyTorch、NumPy 和 Scikit-Learn 等常用建模库，当然图神经网络库也可以自由选择 DGL 或 PyTorch Geometric。

DGL：https://github.com/dmlc/dgl

PyG：https://github.com/rusty1s/pytorch_geometric

现在以节点预测为例，OGB 同时支持 PYG 和 DGL 两个图表示学习框架中的数据加载方法，加载代码如下：

1. PYG

from ogb.nodeproppred.dataset_pyg import PygNodePropPredDatasetdataset = PygNodePropPredDataset(name = d_name) num_tasks = dataset.num_tasks # obtaining number of prediction tasks in a datasetsplitted_idx = dataset.get_idx_split()train_idx, valid_idx, test_idx = splitted_idx["train"], splitted_idx["valid"], splitted_idx["test"]graph = dataset[0] # pyg graph object

2. DGL

from ogb.nodeproppred.dataset_dgl import DglNodePropPredDatasetdataset = DglNodePropPredDataset(name = d_name)num_tasks=dataset.num_tasks#obtainingnumberofpredictiontasksinadatasetsplitted_idx = dataset.get_idx_split()train_idx, valid_idx, test_idx = splitted_idx["train"], splitted_idx["valid"], splitted_idx["test"]graph, label = dataset[0] # graph: dgl graph object, label: torch tensor of shape (num_nodes, num_tasks)

可以看出，代码非常简单，使用简便。其中「d_name」可以被替换成任何一个数据集的名字。

同时，项目提供了一些示例代码，以对每个数据集进行评估。如下所示：

from ogb.nodeproppred import Evaluatorevaluator = Evaluator(name = d_name) print(evaluator.expected_input_format) print(evaluator.expected_output_format)

这里，用户可以了解到针对这一数据集的输入和输出的特定格式。

然后，用户可以将输入字典（input dictionary）传递进评估器中，了解实际的性能：

# In most cases, input_dict is# input_dict = {"y_true": y_true, "y_pred": y_pred} result_dict = evaluator.eval(input_dict)

据悉，OGB 官方已指明上海 AWS AI 研究院主打的开源框架 DGL 作为数据导入的平台之一。目前 DGL 兼容 PyTorch、MxNet 作为后端引擎，TensorFlow 也在开发中。实际上 DGL 在异构图和可扩展性已经做了很久，因此下一步可能会和 OGB 在相关领域进行新的技术结合，推动开源框架的发展。

张峥说：「DGL 目前在制药领域已有了一个效果不错的模型库，有了 OGB 数据集对模型库进行迭代，之后应当可以进一步提升。」

为什么说分割图数据是个问题？

在 Jure Leskovec 的演讲中，他特意强调了 OGB 所采用的数据分割方法，它能构建更合理的评估方案。他表示，似乎随机数据分割并不是一件值得关注的事，但当我们将数据随机分割为训练、验证和测试集时，很可能预测准确率看上去非常不错。但实际上，采用随机分割的模型验证，其效果是过于高估的。

Jure Leskovec 举了个例子，比如说自然科学研究者，他们每次收集的数据肯定不是重复的，他们每次都需要做一系列新实验，因此模型每次都在做分布外的预测。这就要求数据的分割方式需要非常合理，需要模型的泛化能力足够强大以处理这些分布外的数据预测。

谈及数据分割问题，张峥教授说：「我们在和制药行业的研究人员讨论时，都被提醒在训练集上做随机切分是不可取的，因为分子图样本有结构性质，独立同分布假设会对模型的泛化能力有影响，我认为其他领域也有同样的问题。」

为了处理这种情况，OGB 采用的数据分割方法也非常有意思。例如对于分子图数据集，分割方法可以是分子支架（scaffold），具体而言，我们可以通过分子的子结构做聚类，然后将常用的集群作为训练集，将其它非常见集群作为验证与测试集。这种处理方式会迫使神经网络获得更高的泛化性，不然它完全无法预测那些子结构不同的分子。

按物种分割或按代码库分割也是相同的道理，本质上这些数据分割都尝试把某一小部分整体移出来做测试。

最后，Jure Leskovec 也表明，他们预想 OGB 不仅能作为一种广泛使用的研究资源，同时也能作为各种新任务或新模型的真实测试环境。在不久的将来，OGB 将进一步支持更多的图数据集、更多的图建模任务，并同时提供一份开放的 LeadBoard。有了这样的 LeadBoard，我们就能更直观地评估各种图神经网络的特点，了解哪种情况下它们的效果是最好的。