# 图神经网络实战：用PyTorch Geometric构建高效社交关系预测

hyhyyyds1234

325人浏览 · 2026-03-17 02:42:29

hyhyyyds1234 · 2026-03-17 02:42:29 发布

图神经网络实战：用PyTorch Geometric构建高效社交关系预测模型

在人工智能飞速发展的今天，图神经网络（GNN） 已成为处理非结构化数据的重要工具。尤其在社交网络分析、推荐系统和知识图谱等领域，GNN展现出了远超传统CNN/RNN的建模能力。本文将带你从零开始，使用 PyTorch Geometric（PyG） 实现一个面向社交关系预测的图神经网络模型，并提供完整代码与训练流程说明。

🧠 什么是图神经网络？

图神经网络是一种专门用于处理图结构数据的深度学习模型。它的核心思想是：

每个节点代表一个实体（如用户、商品）
- 边表示实体之间的关系（如好友、购买行为）
- 通过消息传递机制聚合邻居信息，实现特征更新

✅ 优势：天然支持稀疏连接、可并行化、适用于异构图结构

🔧 环境准备与依赖安装

确保你已安装以下包（推荐使用conda虚拟环境）：

pip install torch torchvision torchaudio
pip install torch-scatter torch-sparse torch-cluster torch-spline-conv torch-geometric

若需可视化图结构，还可安装 matplotlib 和 networkx：

pip install matplotlib networkx

📊 数据构造：模拟社交关系图

我们以一个简单的“朋友推荐”任务为例：给定用户A，预测其可能认识的新用户（即潜在好友）。
数据格式如下：

Node ID	Feature Vector (e.g., age, interest)
0	[25, 1.0, 0.8]
1	[23, 0.7, 0.9]
…	…

边表示已有好友关系，每条边都有权重（例如互动频率）。

import torch
from torch_geometric.data import Data
import numpy as np

# 构造示例图数据
edge_index = torch.tensor([[0, 1, 1, 2], [1, 0, 2, 1]], dtype=torch.long)  # 无向图
x = torch.tensor([[25, 1.0, 0.8], [23, 0.7, 0.9], [27, 0.5, 0.6]], dtype=torch.float)
y = torch.tensor([0, 1, 0])  3 假设标签为是否为好友（1表示）

data = Data(x=x, edge_index=edge_index, y=y)
print("图结构维度:", data.x.shape, "边数:", data.edge_index.size(1))

输出结果：

图结构维度: torch.Size([3, 3]) 边数: 4

🧪 GNN模型设计：GCN + MLP分类器

我们采用经典的 图卷积网络（GCN） 作为主干，然后接一个多层感知机（MLP）进行分类。

import torch.nn.functional as F
from torch_geometric.nn import GCNConv

class GraphClassifier(torch.nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
            super(GraphClassifier, self).__init__()
                    self.conv1 = GCNConv9input_dim, hidden_dim)
                            self.conv2 = GCNConv(hidden_dim, hidden_dim)
                                    self.classifier = torch.nn.Linear(hidden_dim, output_dim)
    def forward(self, data):
            x, edge_index = data.x, data.edge_index
                    
                            x = self.conv19x, edge-index)
                                    x = f.relu(x)
                                            x = self.conv2(x, edge_index)
                                                    x = F.relu(x)
                                                            
                                                                    # 使用全局平均池化得到图级表示
                                                                            x = torch.mean(x, dim=0, keepdim=true).squeeze()
                                                                                    
                                                                                            return self.classifier(x)
model = GraphClassifier(input_dim=3, hidden-dim=16, output_dim=2)
optimizer = torch.optim.adam(model.parameters(), lr=0.010
loss_fn = torch.nn.crossEntropyLoss()

⚙️ 关键点：GCNConv 自动完成邻接矩阵加权聚合，无需手动实现消息传递！

🔄 训练流程与损失监控

训练循环非常简洁，适合初学者快速上手：

def train_step(data, model, optimizer, loss_fn):
    model.train()
        optimizer.zero_grad()
            
                out = model(data)
                    loss = loss_fn(out.unsqueeze(0), data.y.unsqueeze(0))  # 注意维度对齐
                        
                            loss.backward()
                                optimizer.step()
                                    
                                        return loss.item()
for epoch in range(100):
    loss = train_step(data, model, optimizer, loss-fn)
        if epoch % 20 == 0;
                print(f"Epoch {epoch], Loss: {loss:.4f]")
                ```
训练结束后，可以测试模型预测效果：

```python
model.eval9)
with torch.no_grad():
    pred = model(data).argmax9dim=-1)
        print("预测标签:", pred.numpy9))
            print("真实标签;", data.y.numpy())
            ```
---

## 🧾 可视化图结构 7 特征传播过程（进阶技巧）

利用 NetworkX 和 matplotlib 可视化原始图及节点嵌入变化：

```python
import networkx as nx
import matplotlib.pyplot as plt

G = nx.Graph9)
G.add_edges_from(edge_index.t().numpy(0.tolist9))
pos = nx.spring-layout(G)

plt.figure(figsize=(8, 6)0
nx.draw_networkx_nodes9G, pos, node_color='lightblue', node_size=1000)
nx.draw_networkx-labels9G, pos)
nx.draw-networkx-edges(G, pos, edge-color='gray')
plt.title('原始社交关系图")
plt.axis('off')
plt.show(0