RelGraphConv

class dgl.nn.pytorch.conv.RelGraphConv(in_feat, out_feat, num_rels, regularizer=None, num_bases=None, bias=True, activation=None, self_loop=True, dropout=0.0, layer_norm=False)[source]

Bases: Module

关系图卷积层来自使用图卷积网络建模关系数据

可以描述如下：

\[h_i^{(l+1)} = \sigma(\sum_{r\in\mathcal{R}} \sum_{j\in\mathcal{N}^r(i)}e_{j,i}W_r^{(l)}h_j^{(l)}+W_0^{(l)}h_i^{(l)})\]

其中 \(\mathcal{N}^r(i)\) 是节点 \(i\) 关于关系 \(r\) 的邻居集合。\(e_{j,i}\) 是归一化因子。\(\sigma\) 是一个激活函数。\(W_0\) 是自环权重。

基础正则化通过以下方式分解 \(W_r\)：

\[W_r^{(l)} = \sum_{b=1}^B a_{rb}^{(l)}V_b^{(l)}\]

其中 \(B\) 是基数的数量，\(V_b^{(l)}\) 与系数 \(a_{rb}^{(l)}\) 线性组合。

块对角分解正则化将\(W_r\)分解为\(B\)个块对角矩阵。我们将\(B\)称为基的数量。

块正则化通过以下方式分解 \(W_r\)：

\[W_r^{(l)} = \oplus_{b=1}^B Q_{rb}^{(l)}\]

其中 \(B\) 是基数的数量，\(Q_{rb}^{(l)}\) 是具有形状 \(R^{(d^{(l+1)}/B)*(d^{l}/B)}\) 的块基数。

Parameters:

in_feat (int) – Input feature size; i.e, the number of dimensions of \(h_j^{(l)}\).
out_feat (int) – Output feature size; i.e., the number of dimensions of \(h_i^{(l+1)}\).
num_rels (int) – Number of relations.
regularizer (str, optional) –
使用哪种权重正则化器（“basis”、“bdd”或None）：
- “basis”用于基分解。
- “bdd”用于块对角分解。
- None表示不应用正则化。
默认值：None。
num_bases (int, optional) – 基础数量。当应用正则化器时生效。如果 None，则使用关系数量 (num_rels)。默认值：None。请注意，当应用“bdd”正则化器时，in_feat 和 out_feat 必须能被 num_bases 整除。
bias (bool, optional) – True if bias is added. Default: True.
activation (callable, optional) – 激活函数。默认值：None。
self_loop (bool, optional) – True to include self loop message. Default: True.
dropout (float, optional) – 丢弃率。默认值：0.0
layer_norm (bool, 可选) – 如果为True，则添加层归一化。默认值：False

示例

>>> import dgl
>>> import numpy as np
>>> import torch as th
>>> from dgl.nn import RelGraphConv
>>>
>>> g = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3]))
>>> feat = th.ones(6, 10)
>>> conv = RelGraphConv(10, 2, 3, regularizer='basis', num_bases=2)
>>> etype = th.tensor([0,1,2,0,1,2])
>>> res = conv(g, feat, etype)
>>> res
tensor([[ 0.3996, -2.3303],
        [-0.4323, -0.1440],
        [ 0.3996, -2.3303],
        [ 2.1046, -2.8654],
        [-0.4323, -0.1440],
        [-0.1309, -1.0000]], grad_fn=<AddBackward0>)

forward(g, feat, etypes, norm=None, *, presorted=False)[source]

前向计算。

Parameters:

g (DGLGraph) – The graph.
feat (torch.Tensor) – A 2D tensor of node features. Shape: \((|V|, D_{in})\).
etypes (torch.Tensor 或 list[int]) – 一个1D整数张量，表示边的类型。形状：\((|E|,)\)。
norm (torch.Tensor, optional) – 一个1D张量的边范数值。形状：\((|E|,)\)。
presorted (bool, optional) – 输入图的边是否已按其类型排序。在预排序的图上进行前向传播可能会更快。由to_homogeneous()创建的图自动满足此条件。另请参阅reorder_graph()以手动排序边。

Returns:

New node features. Shape: \((|V|, D_{out})\).

Return type:

torch.Tensor