Cora数据集简介

以下内容引用自https://blog.csdn.net/yeziand01/article/details/93374216。

Cora数据集共包含2708个样本点，每个样本点的特征向量长度为1433。每个样本点都是一篇科学论文，样本点总共有7个类别。

每篇论文的特征向量长度为1433，特征是一个词向量，词向量的每一个元素对应一个词，且该元素是一个布尔值，如果为$1$，那就代表这个词在论文中出现过，否则就是没出现过。

Cora数据集是图结构数据，是著名的论文引用数据集。下面通过PyG来对Cora数据集进行读取，并在python中对数据集的结构进行查看。

使用PyG读取Cora数据集

这部分内容参考自https://zhuanlan.zhihu.com/p/543207982。

使用torch_geometric.datasets库中的Planetoid，读取Cora数据集，必要的参数包括数据集的路径（即存放Cora文件夹的路径）以及数据集的名称，即'Cora'：

dataset = Planetoid(root=path, name=name)

dataset保存了数据集本身及数据集的一些性质，比如结点特征的数量（dataset.num_node_features）和结点的类别dataset.num_classes。

之后，取：

data = dataset[0].to(device)

便可对数据集的结构进行查看。

data是数据集本身，其中存储了整个Cora数据集，它的类型是torch_geometric.data.data.Data，对它进行输出，输出的结果为：

Data(x=[2708, 1433], edge_index=[2, 10556], y=[2708], train_mask=[2708], val_mask=[2708], test_mask=[2708])

其中，x=[2708, 1433]对应的就是图中的2708个结点了，每个结点具有1433个特征（词袋特征向量）；而edge_index=[2, 10556]表示图中有10556条边，第一个维度为2表示起点和终点；y=[2708]是一个一维向量，存储的是每一个结点的标签；后面的三个mask是布尔值数组，以train_mask为例，它是一个由True/False组成的一维向量，如果为True即表示当前索引对应的结点是训练集当中的结点。