OGB数据集《Open Graph Benchmark: Datasets for Machine Learning on Graphs》

OGB数据集

之前一直在几个玩具数据集上跑模型，发现了很多问题。看了OGB论文里的一些描述，我也深有体会，感觉很多东西都说到我心里去了。预计再发展几年吧，OGB也能像ImageNet那样，成为图表示学习领域中的一个统一的标准。

Hu W, Fey M, Zitnik M, et al. Open graph benchmark: Datasets for machine learning on graphs[J]. arXiv preprint arXiv:2005.00687, 2020.

数据集是模型的根基，而OGB数据集我认为又是相当重要的，所以必须要好好整理整理笔记。结合毕设，一直在做引文网络相关的节点分类任务，所以看的时候也有一些自己的侧重点，主要看了1、2、3、4、7这几部分。

---

Abstract

简要介绍了OGB数据集。我觉得最主要的还是两点：

1. 推出了OGB数据集 + 特定且现实的数据集划分方式。
2. 提供了一套基于PyG/DGL的标准化OGB数据集训练和评估流程（以及相关代码库）。

第一点给现有的模型带来了挑战；第二点为数据集的使用提供了便利。正因如此，OGB数据集才能够得到更多研究者的青睐。

1 Introduction

引言部分其实把作者想说的都说了，后面的部分都是进行细化和展开论述的。这部分虽然比较烦杂，但是只要紧紧抓住「问题+解决」这个思路，就能够比较清楚地发现作者到底在表达什么。

现有的数据集的问题

现有的数据集最大的特点就是「小」。因为规模比较小，它和现实世界中web规模的图相差甚远，这对数据驱动的模型的研究以及解决实际问题来说都是不利的。

1. 模型区分度低。这就导致大部分GNN模型在这些玩具数据集上的统计结果都差不多，只能区分出好的模型和差的模型，无法真正区分出「一般好的模型」和「更好的模型」。
2. 模型可扩展性差。因为一直在针对小数据集研究，不使用采样手段或minibatch都可以又好又快的进行训练，这就会导致这些模型无法扩展到大型图上面，比如之前发生的GPU内存溢出。目前也就是以GraphSAGE、GraphSAINT为代表的的模型在关注可扩展性，其他的基本上还都是出于full-batch的阶段。
3. 没有统一的实验标准。这是相当可怕的，因为「数据集的划分方式」、「评估和验证标准」不同，我们根本无法公平的去评判模型的好坏。好坏都分不清楚，还怎么去进行下一步的工作啊。我之前做实验的时候，发现很多模型paper里面都采用了不同的数据集划分方式。。想强行统一划分，又会发现某些模型在此种划分方式下，acc不升反降。。

总之，在做了一些实验之后，我自己是有点苦不堪言。归根结底，还是之前的数据集太垃圾了。

当前OGB数据集的工作

和之前的数据集相比，最大的特点当然就是「大」。当然，除此之外，还有一些其他的考虑和改进。

1. 大规模。比之前的几个玩具数据集大了几个数量级，之前是用ogbn-products进行了实验，下载下来直接1.xGB。小型数据集适用于计算密集型模型，不怎么吃GPU内存，一般full-batch就可以跑；中型、大型数据集用于可扩展的模型，为防止内存溢出，必须使用minibatch或分布式算法来跑。
2. 多领域。不同领域的数据集可以检验模型的通用性。此外，不同的领域，根据现实情况进行特定的数据集划分也是一大看点，这要比随机划分更有意义。
3. 多任务。针对节点级、边级、图级任务都有相应的数据集，我主要关注的是节点级任务ogbn-数据集。

新的数据集给图表示学习领域带来了新的挑战。

1. 可扩展性。如何设计应用于大型图的可扩展的模型。
2. 表达能力。在更真实的数据划分下，如何提高测试集上的表现、减小泛化差距。

最后，OGB提供了一套标准化流程，这个对于实验来说很重要。通俗来说，我们按照这个流程，照猫画虎/照葫芦画瓢，实验也能够很快的跑起来了。

主要是前4个步骤，最后一个是鼓励大神们开源代码的，里面有很多参考代码，不过之前如果已经有PyG基础了，基本上直接看官方示例就ok了。流程很简单，大致是这样的：首先选择一个数据集，然后调包侠载入数据集并返回一个PyG或DGL的dataset对象，之后作为model的输入进行训练。训练完成之后，用数据集专属测试器进行测试和验证，得到acc等表现结果。

2 Shortcomings of Current Benchmarks

针对不同级别的任务，分别分析了这些数据集的缺点和现状，我这里只关注了节点级任务。

引文网络小数据集的问题

之前一直用的引文网络数据集：Cora、Citeseer、Pubmed，真的是一言难尽。这几个数据集的规模都很小，并且它的标准划分的训练集是每个类别随机抽取20个节点（默认），这样训练集一共就百八十个节点，这还训练啥啊。。

1. 首先还是模型的区分度，用Cora一跑，大部分模型都是80%左右的准确率，根本分不出好坏。
2. 然后就是数据集的划分，直接每个类别拿出20个节点是有点草率了，并且我仔细研究了一下是怎么弄得。以Cora为例，索引前140是训练集，再往后取500个是验证集，索引后1000是测试集。。确实有点草率，这和随机划分又有什么区别呢！并且，不同的模型会有不同的划分，为了能让结果好看一点，有的按照标准准划分，有的拼命去增加训练节点数。。
3. 最后是数据集本身的质量堪忧，我之前就在实验中发现Citeseer数据集居然有15个孤立的啥信息也没有的节点。。此外，这几个数据集还存在节点重复等数据质量问题。

一些大一些的数据集的问题

其实很多人早就发现之前的引文网络数据集不太行了。所以后面又出现了大一些的数据集：PPI、Reddit、Amazon2M。

1. 首先还是数据集的划分。按照这几个数据集给出的划分，很快啊，一些模型就在这些数据集上面取得了特别好的表现（F1分数超过90甚至95），导致了性能上的饱和，后面再研究已经没多少意义了。
2. 然后是数据集的规模问题。虽然已经比引文网络大不少了，但是和真实世界中web规模的图相比，还是小了不少，所以依然可以算作是玩具数据集。

综上，因为数据规模、数据集划分等原因，现有的数据集并不适合作为benchmark dataset。

3 OGB: Overview

可用的数据集信息，包括数据集划分依据和比例、任务类型、包含的属性信息等等。

可用数据集的图统计信息，包括图的个数、节点数、边数、节点的平均度、聚类系数、图直径等等。

文档和项目地址汇总：

• OGB官网：https://ogb.stanford.edu/
• github项目地址：https://github.com/snap-stanford/ogb
• baseline实验代码地址：https://github.com/snap-stanford/ogb/tree/master/examples

ogbn-是节点级任务的数据集，后面会主要关注这一类。
此外，文章中还提到了另一个数据集TUDataset：https://chrsmrrs.github.io/datasets/。

4 OGB Node Property Prediction

这一部分是对ogbn-这一类数据集的详细介绍。

ogbn-主要包含了5个数据集。但是由于ogbn-proteins没有节点特征X（并且是2分类问题），ogbn-mag是异构图（含有多种类型的节点和边），这2个数据集并不在我的考虑范围之内。而剩下的3个正好也是Society这一类的小型（ogbn-arxiv）、中型（ogbn-products）、大型（ogbn-papers100M）数据集，其中ogbn-arxiv和ogbn-papers100M是引文网络（Citation Network）。

进一步，在实验中，由于GPU显存和算力的限制，大型数据集ogbn-papers100M暂时还跑不了，所以实验主要用了ogbn-arxiv和ogbn-products这两个数据集。

官方使用「baseline」对OGB数据集进行了实验。这几个baseline比较有代表性，这里需要提一下。

1. MLP。没有用到图的结构信息。
2. node2vec。用（X$\oplus$node2vec嵌入）作为特征向量来进行训练。
3. GCN。full-batch算法。
4. GraphSAGE。full-batch算法+skip-connection。
5. NeighborSampling。GraphSAGE模型的minibatch算法。sample操作为采样邻居节点。
6. ClusterGCN。minibatch算法。sample操作为采样固定节点数量的子图。
7. GraphSAINT。minibatch算法。sample操作为随机游走采样。

可以发现，GNN模型主要分为2种——full-batch和minibatch。full-batch可以跑一些小型数据集（11GB显存能放下），但是中型和大型数据集就必须使用minibatch（划分+采样–>子图）了，否则GPU显存装不下。model的隐藏层维数为256，使用2-3层图卷积层，dropout为0.5。

4.1 ogbn-products: Amazon Products Co-purchasing Network

ogbn-products是一个无向无权图，它来自亚马逊商品的联合采购网络，是中型数据集。节点代表商品，边代表联合采购。节点特征X为商品描述的降维词袋向量。

主要是预测商品的类别，这是一个47分类问题。

数据集按照「销售排名」进行划分。排名前8%的用来train，再往后2%是valid，剩下的用来test（8/2/90），这样划分更贴近真实世界。

注意，full-batch需要至少33GB的GPU显存！

从实验结果中可以看出，train和test之前的泛化差异还是很大的，从9x直接到7x了。这个其实是因为数据集划分导致的。这种现实的划分方式和之前的随机划分不同，现实划分会导致不同的节点分布，对模型来说更有挑战性。

minibatch的效果要比full-batch好，这可能是因为minibatch在采样的过程中其实是在进行正则化的操作——噪声和丢弃边。如何进行sample才能得到最好的正则化效果？以及对于需要大感知域的模型应该如何去sample？这些都是需要去研究的问题。

4.3 ogbn-arxiv: Paper Citation Network

ogbn-arxiv是一个有向的引文网络，是MAG的一个子集，也是一个小型数据集。节点代表论文，边代表引用关系。节点特征是一个128维的向量，由单词嵌入表示的平均值组成，每个单词的embedding使用word2vec模型生成。

主要是预测论文的类别，是一个40分类问题。

数据集是根据「发表日期」进行划分的。2017年以及之前的用来train，2018年用来valid，2019用来test（54/18/28）。这也是一种比较现实的划分方式。

实验中，一般把有向的引文网络处理成无向图。和MLP相比有很大的提升，说明图结构信息是有用的。这种现实的数据集划分方式更具有挑战性，我们也可以去想想如何去利用边的方向信息和节点的时间信息。

4.4 ogbn-papers100M: Paper Citation Network

ogbn-papers100M是一个大型的引文网络数据集，有1.11亿个节点（包括150万个arxiv论文节点），它比现有的OGB数据集还要大几个数量级！

主要是来预测arxiv论文的类别，是一个172分类问题。

数据集是根据「发表日期」进行划分的。对于Arxiv论文的节点，2017年以及之前的用来train，2018年用来valid，2019用来test（78/8/14）。

在实验中，由于这个数据集过于庞大，大多数GNN模型都跑不了。baseline只跑了MLP和SGC（简化版的GCN），并且SGC需要100GB的显存来存储节点嵌入表示。。

此外，准确率也不高，说明SGC严重的欠拟合，我们需要去想办法将更先进的GNN模型扩展到Web规模的图上面，以提高表达能力。

7 OGB Package

这一部分是关于OGB代码库及其使用方法的介绍，我觉得有必要单独出一期来实践一下，这里就先简单提一下吧。

实验当中，一定要把握住之前的标准化流程，包括数据加载、模型评估等等。OBG是支持PyG和DGL的，所以调包侠们可以很轻松的一行代码就得到dataset对象。

7.1 OGB Data Loaders

主要是负责数据集的下载、处理（包括数据集的划分）、存储以及返回dataset对象，一条龙服务，不需要自己手工处理。在处理当中会进行数据集的标准划分，一般来说也不用特意去管他，默认就好。之后就可以按照PyG的套路去训练模型了。

7.2 OGB Evaluators

在训练结束之后，我们不需要手工计算准确率之类的，只需要调用具体数据集所适配的evaluatior，传入固定格式的参数（一般是传入一个字典dict，y_true和y_pred的信息），就可以得到模型的表达能力了，也是十分方便。

总结

关于OGB数据集的介绍就到这了。

今天是大年三十，提前祝大家新年快乐！