从上到下｜图网络开放数据集

文 · 成森      封面 · pixabay

从上到下｜图网络开放数据集

很多学者和机构发布了许多与图相关的任务，以测试各种GNN的性能。这些任务一般都会提供数据集。

按照任务分类，可以把数据集分成以下几类：

• 引文网络
• 生化图
• 社交网络
• 知识图谱
• 开源数据集仓库

参考资料：

1. A Comprehensive Survey on Graph Neural Networks
2. Introduction to Graph Neural Networks

引文网络

Pubmed/Cora/Citeseer

引文网络，节点为论文、边为论文间的引用关系。这三个数据集通常用于链路预测或节点分类。

这三个数据集均来自于：

《Collective classification in network data》

下载链接可从以下网址找到：
https://linqs.soe.ucsc.edu/data

DBLP

DBLP是大型的计算机类文献索引库。原始的DBLP只是XML格式，清华唐杰教授的一篇论文将其进行处理并获得引文网络数据集。到目前为止已经发展到了第12个版本。

DBLP引用网络论文：
《ArnetMiner: Extraction and Mining of Academic Social Networks》

• 原始数据可以从这里获得：

https://dblp.uni-trier.de/xml/

• 如果是想找处理过的DBLP引文网络数据集，可以从这里获得：

https://www.aminer.cn/citation

数据集	节点数	边数	特征	标签
Cora	2,708	5,429	1,433	7
Citeseer	3,327	4,732	3,703	6
Pubmed	19,717	44,338	500	3
DBLP_v12	4,894,081	45,564,149	-	-

生化图

PPI

蛋白质-蛋白质相互作用（protein-protein interaction, PPI）是指两个或两个以上的蛋白质分子通过非共价键形成 蛋白质复合体（protein complex）的过程。

PPI数据集中共有24张图，其中训练用20张，验证/测试分别2张。

节点最多可以有121种标签（比如蛋白质的一些性质、所处位置等）。每个节点有50个特征，包含定位基因集合、特征基因集合以及免疫特征。

PPI论文：
《Predicting multicellular function through multi-layer tissue networks》
PPI下载链接：
http://snap.stanford.edu/graphsage/ppi.zip

NCI-1

NCI-1是关于化学分子和化合物的数据集，节点代表原子，边代表化学键。NCI-1包含4100个化合物，任务是判断该化合物是否有阻碍癌细胞增长的性质。

NCI-1论文：
《Comparison of descriptor spaces for chemical compound retrieval and classification》

Graph Kernel Datasets提供下载

MUTAG

MUTAG数据集包含188个硝基化合物，任务是判断化合物是芳香族还是杂芳族。

MUTAG论文：
《Structure-activity relationship of mutagenic aromatic and heteroaromatic nitro compounds. correlation with molecular orbital energies and hydrophobicity》

Graph Kernel Datasets提供下载

D&D/PROTEIN

D&D在蛋白质数据库的非冗余子集中抽取了了1178个高分辨率蛋白质，使用简单的特征，如二次结构含量、氨基酸倾向、表面性质和配体；其中节点是氨基酸，如果两个节点之间的距离少于6埃（Angstroms），则用一条边连接。

PROTEIN则是另一个蛋白质网络。任务是判断这类分子是否酶类。

D&D论文：
《Distinguishing enzyme structures from non-enzymes without alignments》
D&D下载链接：
https://github.com/snap-stanford/GraphRNN/tree/master/dataset/DD

PROTEIN论文：
《Protein function prediction via graph kernels》

Graph Kernel Datasets提供下载

PTC

PTC全称是预测毒理学挑战，用来发展先进的SAR技术预测毒理学模型。这个数据集包含了针对啮齿动物的致癌性标记的化合物。

根据实验的啮齿动物种类，一共有4个数据集：

• PTC_FM（雌性小鼠）
• PTC_FR（雌性大鼠）
• PTC_MM（雄性小鼠）
• PTC_MR（雄性大鼠）

PTC论文：
《Statistical evaluation of the predictive toxicology challenge 2000-2001》

Graph Kernel Datasets提供下载

QM9

这个数据集有133,885个有机分子，包含几何、能量、电子等13个特征，最多有9个非氢原子（重原子）。来自GDB-17数据库。

QM9论文：
《Quantum chemistry structures and properties of 134 kilo molecules》
QM9下载链接：
http://quantum-machine.org/datasets/

Alchemy

Alchemy包含119,487个有机分子，其有12个量子力学特征（quantum mechanical properties），最多14个重原子（heavy atoms），从GDB MedChem数据库中取样。扩展了现有分子数据集多样性和容量。

Alchemy论文：
《Alchemy: A quantum chemistry dataset for benchmarking ai models》
Alchemy下载链接：
https://alchemy.tencent.com/

数据集	图数	节点数	边数	特征	标签
PPI	24	56,944	818,716	50	121
NCI-1	4110	29.87	32.30	37	2
MUTAG	188	17.93	19.79	7	2
D&D	1178	284.31	715.65	82	2
PROTEIN	1,113	39.06	72.81	4	2
PTC_MR	344	14.29	14.69	-	2
QM9	133,885	-	-	-	-
Alchemy	119,487	-	-	-	-

社交网络

Reddit

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，标签是每个帖子对应的社区分类。

Reddit论文：
《Inductive representation learning on large graphs》
Reddit下载链接：
https://github.com/linanqiu/reddit-dataset

BlogCatalog

BlogCatalog数据集是一个社会关系网络，图是由博主及其社会关系（比如好友）组成，标签是博主的兴趣爱好。

BlogCatalog论文：
《Relational learning via latent social dimensions》
BlogCatalog下载链接：
http://socialcomputing.asu.edu/datasets/BlogCatalog

数据集	节点数	边数	特征	标签
Reddit	232965	11606919	602	41
BlogCatalog	10312	333983	-	39

知识图谱

FB13/FB15K/FB15K237

这三个数据集是Freebase的子集。其中：

• FB13：包含13种关系、75043个实体。
• FB15K：包含1345种关系、14951个实体
• FB15K237：包含237种关系、14951个实体

如果希望找到entity id对应的实体数据，可以通过以下渠道（并不是所有的实体都能找到）：

• https://developers.google.com/freebase/#freebase-wikidata-mappings
• http://sameas.org/

WN11/WN18/WN18RR

这三个是WordNet的子集：

• WN11：包含11种关系、38696个实体
• WN18：包含18种关系、40943个实体
• WN18RR：包含11种关系、40943个实体

为了避免在评估模型时出现inverse relation test leakage，建议使用FB15K237/WN18RR 来替代FB15K/WN18。更多建议阅读《Convolutional 2D Knowledge Graph Embeddings》

FB15K/WN8论文：
《Translating Embeddings for Modeling Multi-relational Data》
FB13/WN11论文：
《Reasoning With Neural Tensor Networks for Knowledge Base Completion》
WN18RR论文：
《Convolutional 2D Knowledge Graph Embeddings》

以上6个知识图谱数据集均可从这里下载：
https://github.com/thunlp/OpenKE/tree/master/benchmarks

数据集	关系	实体数
FB13	13	75043
FB15K	1345	14951
FB15K237	237	14951
WN11	11	38696
WN18	18	40943
WN18RR	11	40943

开源的数据仓库

Network Repository

具有交互式可视化和挖掘工具的图数据仓库。具有以下特点：

• 用表格的形式展示每一个图数据集的节点数、遍数、平均度数、最大度数等。
• 可视化对比图数据集之间的参数。
• 在线GraphVis，可视化图结构和详细参数。

链接：

http://networkrepository.com

Graph Kernel Datasets

图核的基准数据集。提供了一个表格，可以快速得到每个数据集的节点数量、类别数量、是否有节点/边标签、节点/边特征。

链接：

https://ls11-www.cs.tu-dortmund.de/staff/morris/graphkerneldatasets

Relational Dataset Repository

关系机器学习的数据集集合。能够以数据集大小、领域、数据类型等条件来检索数据集。

链接：

https://relational.fit.cvut.cz

Stanford Large Network Dataset Collection

SNAP库包含了一个大型图网络数据集集合，拥有大型社交、信息网络。包括：图分类数据库、社交网络、引用网络、亚马逊网络等等，非常丰富。

链接：

https://snap.stanford.edu/data/

Open Graph Benchmark

OGB是真实基准数据集的集合，同时提供数据加载器和评估器（PyTorch）。可以自动下载、处理和切割；完全兼容PyG和DGL。

链接：

https://ogb.stanford.edu/

说个正事哈

由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：

（1）点击页面最上方"AINLP"，进入公众号主页。

（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。

感谢支持，比心。

欢迎加入AINLP技术交流群

进群请添加AINLP小助手微信 AINLPer（id: ainlper)，备注NLP技术交流

推荐阅读

这个NLP工具，玩得根本停不下来

征稿启示| 200元稿费+5000DBC（价值20个小时GPU算力）

完结撒花！李宏毅老师深度学习与人类语言处理课程视频及课件（附下载）

从数据到模型，你可能需要1篇详实的pytorch踩坑指南

如何让Bert在finetune小数据集时更“稳”一点

模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法

文本自动摘要任务的“不完全”心得总结番外篇——submodular函数优化

Node2Vec 论文+代码笔记

模型压缩实践收尾篇——模型蒸馏以及其他一些技巧实践小结

中文命名实体识别工具（NER）哪家强？

学自然语言处理，其实更应该学好英语

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。

阅读至此了，分享、点赞、在看三选一吧🙏