当前位置：首页 > news >正文

OGB开发者指南：如何贡献新数据集与扩展评估功能

news 2026/5/2 13:58:01

OGB开发者指南：如何贡献新数据集与扩展评估功能

【免费下载链接】ogbBenchmark datasets, data loaders, and evaluators for graph machine learning项目地址: https://gitcode.com/gh_mirrors/og/ogb

OGB（Open Graph Benchmark）是图机器学习领域的权威基准测试套件，提供标准化的数据集、数据加载器和评估工具，帮助研究者公平比较不同模型性能。本指南将带你快速掌握贡献新数据集和扩展评估功能的完整流程，成为OGB开源社区的活跃贡献者！

为什么选择贡献OGB？

OGB项目已成为图机器学习研究的基础设施，覆盖图属性预测、链接预测和节点属性预测等核心任务。通过贡献数据集或功能，你将：

为全球研究者提供高质量的基准测试资源
推动图机器学习领域的标准化发展
获得社区认可并提升学术影响力

OGB架构概览

OGB的模块化架构设计使其易于扩展，核心组件包括：

OGB架构图：展示了从底层平台到上层模型的完整技术栈，支持PyTorch和MXNet等主流深度学习框架

准备工作：环境搭建

1. 克隆代码仓库

git clone https://gitcode.com/gh_mirrors/og/ogb cd ogb

2. 安装开发依赖

pip install -e .[dev]

3. 了解项目结构

核心目录说明：

ogb/：主代码库，包含数据集和评估器实现
examples/：各类任务的示例代码
ogb/graphproppred/：图属性预测相关代码
ogb/linkproppred/：链接预测相关代码
ogb/nodeproppred/：节点属性预测相关代码

贡献新数据集的完整步骤

步骤1：设计数据集格式

OGB支持多种图数据格式，推荐使用以下结构：

dataset_name/ ├── raw/ # 原始数据 ├── processed/ # 处理后的数据 ├── README.md # 数据集说明 └── dataset.py # 数据集加载逻辑

图数据通常由节点、边和相关属性组成，如下所示的知识图谱示例：

知识图谱示例：展示了实体（如Tom、Mary）和关系（如likes、works）的连接结构

步骤2：实现数据集类

创建数据集类，继承自OGB的基础数据集类：

# 参考示例：ogb/graphproppred/dataset.py from ogb.graphproppred import GraphPropPredDataset class MyNewDataset(GraphPropPredDataset): def __init__(self, name='my_dataset'): super().__init__(name, dataset_path='datasets/my_dataset') # 实现数据加载和预处理逻辑

步骤3：添加元数据

在对应任务的master.csv中添加数据集元信息：

ogb/graphproppred/master.csv（图属性预测）
ogb/linkproppred/master.csv（链接预测）
ogb/nodeproppred/master.csv（节点属性预测）

步骤4：编写单元测试

为新数据集编写测试用例，确保数据加载和预处理正确：

# 参考示例：tests/test_graphproppred.py def test_my_new_dataset(): dataset = MyNewDataset() assert len(dataset) == expected_num_graphs # 其他测试逻辑

扩展评估功能的实用技巧

评估器基类

OGB提供统一的评估器接口，扩展评估功能需继承对应基类：

# 参考示例：ogb/graphproppred/evaluate.py from ogb.graphproppred import Evaluator class MyNewEvaluator(Evaluator): def __init__(self, name='my_dataset'): super().__init__(name) def eval(self, input_dict): # 实现自定义评估逻辑 y_pred = input_dict['y_pred'] y_true = input_dict['y_true'] return {'metric': metric_value}