图神经网络 GNN 基准数据集汇总

开源图数据集

目前在多个库中可以直接下载处理好的图数据集：

其它数据源推荐：

经典数据集

目前图神经网络应用较广的数据集主要有以下几大类：

引文网络：Cora、PubMed、Citeseer
社交网络：BlogCatalog、Reddit、Epinions
蛋白质交互网络：PPI、PROTEINS
化学分子结构：MUTAG、NCI-1、NCI-109

引文网络

由论文间的关系构成的网络，关系包括例如引用关系、共同的作者等，具有天然的图结构，数据集的任务一般是论文的分类和连接的预测，比较流行的数据集有三个，分别是 Cora、PubMed、Citeseer。

数据格式

以 cora 数据集为例，数据集包含两个文件：

cora.cites 文件中的数据如下：
<ID of cited paper> <ID of citing paper>
cora.content 文件的数据如下：
<paper id> <word attributes> + <class label>

社交网络

BlogCatalog 数据集是一个社会关系网络，图是由博主和他（她）的社会关系（比如好友）组成，labels 是博主的兴趣爱好。

Reddit 数据集是由来自 Reddit 论坛的帖子组成，如果两个帖子被同一人评论，那么在构图的时候，就认为这两个帖子是相关联的，labels 就是每个帖子对应的社区分类。

Epinions 是一个从一个在线商品评论网站收集的多图数据集，里面包含了多种关系，比如评论者对于另一个评论者的态度（信任/不信任），以及评论者对商品的评级。

数据格式

BlogCatalog 数据集的结点数为 10312，边条数为 333983，label 维度为 39，数据集包含两个文件：
- Nodes.csv：以字典的形式存储用户的信息，但是只包含节点 id。
- Edges.csv：存储博主的社交网络（好友等），以此来构图。
Epinions 数据集包含文件如下：
- Ratings_data.txt：包含用户对于一件物品的评级，文件中每一行的结构为 user_id item_id rating_value。
- Trust_data.txt：存储了用户对其他用户的信任状态，存储方式为 source_user_id target_user_id trust_statement_value，其中信任状态只有信任和不信任（1、0）。

由于 Reddit comments 数据集的文件太多，此处略过。

蛋白质交互网络

PPI 是蛋白质交互网络，数据集中共有 24 张图，其中 20 张作为训练，2 张作为验证，2 张作为测试，每张图对应不同的人体组织，实例如图 3，该数据是为了从系统的角度研究疾病分子机制、发现新药靶点等等。平均每张图有 2372 个结点，每个结点特征长度为 50，其中包含位置基因集，基序集和免疫学特征。基因本体集作为 labels（总共 121 个）。

数据格式

PPI 数据集格式如下：

ppi-G.json – 输入图 Json 格式的 networkx 文件，节点包含 test val 属性表示测试和验证集。
ppi-id_map.json – 将节点 id 映射到连续整数。
ppi-class_map.json – 节点 id 对应的类别。
ppi-feats.npy [optional] – 节点对应的特征， numpy 存储格式，和 id-map 中顺序相同。
ppi-walks.txt [optional] – 随机游走节点对应的节点，对于 graphsage 而言无监督时使用。

化学分子结构

NCI-1、NCI-109 和 MUTAG 是关于化学分子和化合物的数据集，原子代表结点，化学键代表边。NCI-1 和 NCI-109 数据集分别包含 4100 和 4127 个化合物，labels 是判断化合物是否有阻碍癌细胞增长得性质。MUTAG 数据集包含 188 个硝基化合物，labels 是判断化合物是芳香族还是杂芳族。