图网络开放数据集

完成图相关的任务，各种测试GNN性能的数据集。

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：

A Comprehensive Survey on Graph Neural Networks
Introduction to Graph Neural Networks

1 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	-	-

2 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

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	-	-	-	-

3 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

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

4 知识图谱

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）：

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