赛道一热身赛：基于 GCN 的 Cora 节点分类

本项目为计图比赛赛道一热身赛提交代码，基于 Jittor 和 JittorGeometric 实现两层图卷积网络（Graph Convolutional Network，GCN），用于完成 Cora 数据集上的半监督节点分类任务。

代码包含数据加载、特征归一化、图结构预处理、模型训练、验证集评测以及测试集预测。运行结束后会在项目根目录生成提交文件 result.json。

1. 项目结构

.
├── README.md
├── gcn.py
├── result.json
└── data/
    └── cora.pkl

各文件说明如下：

• gcn.py：GCN 模型、训练、验证和预测代码。
• result.json：测试集节点分类结果。
• data/cora.pkl：比赛提供的 Cora 数据文件，不包含在开源仓库中。

2. 环境安装

2.1 环境要求

• Python 3.8 及以上
• Jittor
• JittorGeometric
• NumPy
• CUDA 与 NVIDIA GPU（代码默认启用 GPU）

2.2 安装命令

安装 Jittor 和基础依赖：

python -m pip install --upgrade pip
python -m pip install numpy jittor

安装 JittorGeometric：

git clone https://github.com/AlgRUC/JittorGeometric.git
cd JittorGeometric
python -m pip install .
cd ..

3. 数据准备

将比赛提供的 cora.pkl 放入项目根目录下的 data/ 文件夹：

data/
└── cora.pkl

程序默认从以下路径读取数据：

data/cora.pkl

cora.pkl 包含以下字段：

字段	类型或形状	说明
x	(2708, 1433)	节点特征矩阵
y	(2708,)	节点标签，测试集节点标签为 -1
edge_index	(2, num_edges)	图的边索引
train_mask	(2708,)	训练集节点掩码
val_mask	(2708,)	验证集节点掩码
test_mask	(2708,)	测试集节点掩码
num_classes	int	类别数，取值为 7
num_features	int	节点特征维度，取值为 1433

4. 模型说明

本项目采用两层 GCN，模型结构如下：

节点特征
  ↓
GCNConv(1433, 256)
  ↓
ReLU
  ↓
Dropout(0.8)
  ↓
GCNConv(256, 7)
  ↓
节点类别预测

主要处理流程如下：

1. 对节点特征进行行归一化。
2. 为图加入自环并进行 GCN 归一化。
3. 将 COO 格式的图结构转换为 CSC 和 CSR 稀疏格式。
4. 使用两层 GCN 提取节点表示并输出分类结果。
5. 在训练集节点上计算交叉熵损失并更新模型参数。

5. 训练配置

参数	设置
随机种子	42
隐藏层维度	256
Dropout	0.8
学习率	0.01
权重衰减	5e-4
优化器	Adam
损失函数	Cross Entropy
训练轮数	200
自环	启用

代码通过以下语句固定随机种子：

jt.misc.set_global_seed(42)

6. 训练

在项目根目录执行：

python gcn.py

程序每 20 轮输出一次训练集准确率和当前最佳验证集准确率：

Epoch: 020, Train Acc: 0.xxxx, Val Acc: 0.xxxx

训练完成后，程序会输出最佳验证集准确率。

7. 评测与推理

训练、验证和测试集推理均集成在 gcn.py 中，执行以下命令即可完成全部流程：

python gcn.py

验证集评价指标为分类准确率：

Accuracy = 预测正确的节点数 / 验证集节点总数

测试集没有公开标签。程序完成训练后，会对 test_mask 对应的节点进行预测，并生成 result.json。

本项目不依赖外部 checkpoint，预测结果由当前训练流程结束后的模型直接生成。

8. 结果说明

仓库中的 result.json 为本代码运行后生成的测试集预测结果，共包含 1000 个测试节点，预测类别范围为 0 至 6。

文件格式如下：

{
  "1": 3,
  "2": 6,
  "6": 5
}

其中：

• JSON 键表示测试节点编号。
• JSON 值表示模型预测的节点类别。

线上最终成绩以比赛评测平台对 result.json 的评测结果为准。

9. 第三方依赖声明

本项目使用以下开源框架：

• Jittor
• JittorGeometric

GCN 卷积、图归一化以及稀疏图格式转换等功能由 JittorGeometric 提供。本项目未使用预训练模型或预训练权重。