OpenHGNN发布0.6版本

OpenHGNN现已上线最新的0.6版本，欢迎大家从启智社区、GitHub或通过pip下载使用！OpenHGNN是一个基于 DGL和 PyTorch的开源异质图神经网络工具包，集成了异质图神经网络的前沿模型。新版本我们增加了10个新的基于图神经网络的知识图谱推理模型，包含基于子图的知识图谱推理算法，基于路径的知识图谱推理算法，以及基于全图的知识图谱推理算法。由于在之前的版本中，本算法库已经集成了一些传统的知识图谱推理的算法，目前版本有16+个知识图谱模型可以应用，均为知识图谱的研究者提供了更方便的基于OpenHGNN的调用接口。此外，OpenHGNN目前已支持图数据接口调用，用户可将存储在图数据库中的数据直接导入算法库，运行不同异质图算法并测试效果。目前已支持Neo4j, NebulaGraph, AtlasGraph, G-store四种图数据库的使用。

一、新增基于图神经网络的知识图谱模型

在这个版本中我们加入了以下10个新的知识图谱模型主要分为三类：

基于全图的知识图谱推理算法：

• 用于知识图谱补全的端到端结构感知卷积网络[AAAI2019]
• 重新审视知识图谱补全中的图卷积网络[WWW2022]
• DisenKGAT：使用分离图注意力网络的知识图嵌入[CIKM2021]
• 基于图神经网络的高效概率逻辑推理[ICLR2020]

基于子图的知识图谱推理算法

• AdaProp：基于图神经网络的自适应学习传播的知识图谱推理[KDD2023]
• 通过子图推理进行归纳关系预测[ICML2020]
• 用于归纳关系推理的交流信息传递[AAAI2021]
• InGram：通过关系图嵌入归纳式知识图谱[ICML2023]

基于路径的知识图谱推理算法

• 知识图谱推理与关系图谱[WWW2022]
• 贝尔曼-福特神经网络：用于链接预测的通用图神经网络框架[NeurIPS2021]

结合OpenHGNN已有的知识图谱推理算法RGCN, TransE, TransH, TransR, TransD, CompGCN，总共提供了16个知识图谱模型的调用接口。通过广泛收集和深入整理知识推理类图计算算法，我们能够实现知识推理方向的图计算算法主要种类的全覆盖。本算法库中的一些算法不仅可以在节点的拓扑结构上进行推理，还可以结合边的拓扑结构进行推理；一些算法相对于传统的知识图谱推理方法，可提升推理迁移能力，以及推理计算可覆盖的数据规模。

二、新增的知识图谱数据集

新增知识图谱数据集包括：WN18RR， FB15k237， NELL-995， Family， NL数据集包括直推式和转导式的划分版本。

我们为以上算法和数据集提供了OpenHGNN的原生调用接口，方便OpenHGNN的使用者直接调用对应的知识图谱算法，知识图谱推理复用了OpenHGNN原生的链路预测任务，下面是一个调用例子：

python main.py -m RedGNN -d fb237_v1 -t link_prediction -g 0 --use_best_config

使用OpenHGNN知识图谱模块对于知识推理类应用场景的开发者来说，不仅可以极大地减少算法调研和选型的工作量，同时，也可以加速推动知识推理方向图计算算法的落地应用和验证，为大规模知识推理的研究和应用工作提供技术支持。

三、图数据库接口

新增图数据库访问接口，对接neo4j, NebulaGraph, AtlasGraph, g-store4种图数据库，可从对应图数据库中取出标准格式的graph字典。HGNN的pipeline中，由开发人员负责上传原始数据文件、并获取处理好的标准格式图数据，用户可直接访问处理之后的标准图数据，不需要关注图数据处理的具体细节。

pip install git+https://github.com/xy-Ji/gdbi.git

使用图数据库接口使得模型开发者可以用统一的接口访问需要的图数据集，并且可按照特定模型的需要对标准graph做出后续处理，提高了数据集访问的灵活性，有利于兼容各种不同的GNN模型。

四、未来计划

未来，我们还讲继续更新和迭代OpenHGNN，目前的开发计划包括

• 更多的图神经网络模型和数据集
• 更多前沿任务和训练流程的集成
• 继续紧密跟进DGL提供的新功能和接口，并据此做出更新
• 集成基于图预训练-提示架构实现的模型
• 健壮性和其他方面的维护和优化

如果您对我们未来的开发计划有其他好的建议或者意见，或者在使用过程中遇到训练、应用或是模型上的问题（或者任何问题），也欢迎您通过提交issue或者发送邮件来联系我们。感谢大家对OpenHGNN算法库的关注和支持。

Github🔗：https://github.com/BUPT-GAMMA/OpenHGNN

启智社区🔗：https://git.openi.org.cn/GAMMALab/OpenHGNN

Email📬：[email protected]