GCN链路预测实战：Cora与Citeseer数据集AUC提升与避坑指南

简介：这份资源面向图神经网络与链路预测方向的初学者及进阶学习者，聚焦在Cora和Citeseer两个学术文献引用网络上，用图卷积神经网络完成节点间未知链接的预测任务。压缩包共3个文件，均为Python脚本，整体约7KB，分别承担数据读取与图结构预处理、GCN模型搭建、训练与测试流程控制等职责，结构精简，便于快速理解项目全貌。资源围绕词袋特征、邻接矩阵构建、节点嵌入生成与相似度计算等关键环节展开，并涉及负采样、特征归一化、正则化及学习率、层数、隐层节点数等超参数调优思路，测试阶段可用AUC-ROC或准确率评估效果。目前已有3070人学习，适合希望把GCN理论落到链路预测实践、系统梳理图数据建模流程的读者参考。

1. 从一次翻车现场说起：为什么你的 GCN 链路预测跑不出论文里的 AUC

很多开发者第一次在 Cora 和 Citeseer 上做链路预测时，都会经历同一个场景：照着论文把 GCN 搭起来，训练集 loss 降得漂漂亮亮，一到测试集 AUC 就卡在 0.6 上下，怎么调学习率都没用。问题往往不在模型本身，而在于链路预测和节点分类是两套完全不同的评估逻辑——你把边当成标签来用，却还在用节点分类的思维划分数据集。这个项目就是冲着这个痛点来的：它把 Cora、Citeseer 两个引文网络数据集上的链路预测流程完整拆开，从边集划分、负采样、GCN 编码器搭建到 AUC 评估，每一步都有可运行的代码。适合已经跑过节点分类、想往图结构任务上再走一步的开发者，也适合需要快速复现 baseline 做对比实验的人。

2. 项目骨架与技术选型：为什么是 GCN + PyG 这套组合

2.1 整体目录结构与模块职责

拿到这个项目的源码包，第一件事是看目录怎么分的。一个典型的链路预测工程不会把所有东西塞进一个 train.py，而是按数据、模型、训练、评估四块拆开。下面是我拆过多个类似项目后总结出的合理结构，这个项目也基本遵循这个思路：

gcn-link-prediction/ ├── data/ │ ├── __init__.py │ └── loader.py # Cora/Citeseer 加载与边集划分 ├── models/ │ ├── __init__.py │ └── gcn_encoder.py # 两层 GCN 编码器 ├── utils/ │ ├── __init__.py │ ├── negative_sampling.py # 负采样策略 │ └── metrics.py # AUC / AP 计算 ├── configs/ │ └── default.yaml # 超参数集中管理 ├── train.py # 训练入口 ├── evaluate.py # 独立评估脚本 └── requirements.txt

这个结构的好处是职责清晰：data/loader.py只管把 PyG 的 Planetoid 数据集转成链路预测需要的格式，models/gcn_encoder.py只负责前向传播出节点嵌入，train.py串起整个流程。二次开发时想换编码器，只动 models 目录；想换数据集，只动 data 目录。常见做法是把超参数抽到 yaml 里，避免改一个学习率要翻三个文件。

2.2 依赖清单与版本约束

图神经网络项目最怕版本打架，PyG 和 PyTorch 的版本对应关系尤其玄学。这个项目的 requirements.txt 核心依赖如下：

torch>=2.0.0 torch-geometric>=2.4.0 numpy>=1.24.0 scikit-learn>=1.3.0 pyyaml>=6.0 tqdm>=4.65.0

这里有个血泪经验：PyG 的Planetoid类在 2.4 之后对transform参数的处理有变化，如果你装的是 2.3 以前的版本，loader.py里对边索引的预处理逻辑可能要微调。我一般会先用pip install torch-geometric装最新版，跑一遍python -c "from torch_geometric.datasets import Planetoid; print('ok')"确认环境没问题再往下走。另外 scikit-learn 不是可选项，AUC 和 Average Precision 都靠它算，别想着用 numpy 手搓，数值稳定性差很多。

2.3 数据加载：Cora 和 Citeseer 的边集怎么切

Cora 有 2708 个节点、5429 条边（无向），Citeseer 有 3327 个节点、4732 条边。链路预测不能拿全量边训练再拿全量边测试，必须按边划分。标准做法是 85% 训练边、5% 验证边、10% 测试边，同时要保证验证集和测试集中的边在训练时不可见。data/loader.py的核心逻辑：

import torch from torch_geometric.datasets import Planetoid from torch_geometric.transforms import RandomLinkSplit def load_dataset(name='Cora', root='./data_raw'): # 加载 Planetoid 数据集，Cora 和 Citeseer 都走这个接口 dataset = Planetoid(root=root, name=name) data = dataset[0] # RandomLinkSplit 自动完成边集划分和负采样 # num_val=0.05, num_test=0.1 对应 5% 验证、10% 测试 transform = RandomLinkSplit( num_val=0.05, num_test=0.1, is_undirected=True, add_negative_train_samples=True, neg_sampling_ratio=1.0 # 正负样本 1:1 ) train_data, val_data, test_data = transform(data) return train_data, val_data, test_data

这段代码的关键在RandomLinkSplit的参数。is_undirected=True表示按无向图处理，Cora 和 Citeseer 的引文网络本身是有向的，但链路预测任务里通常当无向图做，这样正样本数量翻倍。neg_sampling_ratio=1.0控制负采样比例，训练时每个正样本配一个负样本，验证和测试时 PyG 会自动生成等量的负边。注意add_negative_train_samples=True只在训练集上生效，验证和测试集的负样本是在评估时动态生成的，这样避免负样本泄漏。

提示：如果你把neg_sampling_ratio改成 2.0 或更高，训练会变慢但 AUC 可能略有提升，Cora 上一般 1.0 就够，Citeseer 因为边更稀疏，可以试到 2.0。

3. GCN 编码器拆解：两层图卷积到底在算什么

3.1 从节点特征到边概率的完整前向链路

链路预测的 GCN 和节点分类的 GCN 在编码器部分几乎一样，区别在输出层。节点分类是每个节点出一个类别 logits，链路预测是每对节点出一个相似度分数。这个项目的models/gcn_encoder.py实现如下：

import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import GCNConv class GCNEncoder(nn.Module): def __init__(self, in_channels, hidden_channels, out_channels, dropout=0.5): super().__init__() # 第一层：输入特征 -> 隐藏层 self.conv1 = GCNConv(in_channels, hidden_channels) # 第二层：隐藏层 -> 输出嵌入 self.conv2 = GCNConv(hidden_channels, out_channels) self.dropout = dropout def forward(self, x, edge_index): # 第一层卷积 + ReLU + Dropout x = self.conv1(x, edge_index) x = F.relu(x) x = F.dropout(x, p=self.dropout, training=self.training) # 第二层卷积，输出节点嵌入，不加激活 x = self.conv2(x, edge_index) return x def decode(self, z, edge_label_index): # 用点积作为边存在的打分函数 # edge_label_index 形状 [2, num_edges] src = z[edge_label_index[0]] dst = z[edge_label_index[1]] return (src * dst).sum(dim=-1)

GCNConv的数学本质是归一化的邻接矩阵乘特征再乘权重：$H^{(l+1)} = \sigma(\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}H^{(l)}W^{(l)})$。第一层把原始特征（Cora 是 1433 维词袋，Citeseer 是 3703 维）压到 hidden_channels，第二层再压到 out_channels，通常设 64 或 128。decode用点积做内积解码，这是链路预测最常用的解码器，简单且效果好。注意第二层后面没有 ReLU，因为嵌入向量需要保留正负值，加激活会损失表达能力。

3.2 超参数怎么定：Cora 和 Citeseer 的差异

两个数据集的超参数不能照搬。Cora 的特征维度低、边密度高，Citeseer 特征维度高但边更稀疏。我一般这样设：

Citeseer 上如果 hidden_channels 给 128，验证 AUC 会比 256 低 1-2 个点，因为它的输入特征更稀疏，需要更大的隐藏层来保留信息。但也不能无限加大，256 以上收益递减还容易过拟合。常见做法是先用 128 跑一遍，看验证 AUC 曲线，如果训练集 AUC 远高于验证集，说明过拟合，加大 dropout 或 weight_decay。

3.3 训练循环与早停策略

训练循环本身不复杂，关键是早停要盯验证 AUC 而不是 loss。train.py的核心片段：

def train(model, optimizer, train_data): model.train() optimizer.zero_grad() z = model(train_data.x, train_data.edge_index) # 用训练边的正负样本算损失 out = model.decode(z, train_data.edge_label_index) loss = F.binary_cross_entropy_with_logits(out, train_data.edge_label) loss.backward() optimizer.step() return loss.item() @torch.no_grad() def test(model, data): model.eval() z = model(data.x, data.edge_index) out = model.decode(z, data.edge_label_index) pred = out.sigmoid().cpu().numpy() label = data.edge_label.cpu().numpy() return roc_auc_score(label, pred)

注意binary_cross_entropy_with_logits比先 sigmoid 再 BCE 更稳定，数值上不会溢出。早停逻辑我一般设 patience=20，验证 AUC 连续 20 轮不提升就停，同时保存验证 AUC 最高的模型权重。Cora 上通常 80-120 轮就到最优，Citeseer 稍慢，150 轮左右。测试时用model.eval()关掉 dropout，否则 AUC 会掉 3-5 个点，这个坑我踩过不止一次。

4. 避坑与排查：链路预测里最容易翻车的五个点

4.1 负采样泄漏导致 AUC 虚高

现象：测试 AUC 跑到 0.95 以上，但换一组随机种子就掉到 0.7。原因通常是负样本在训练和测试之间重复了，或者验证集的负边在训练时被模型见过。解决方法是确保RandomLinkSplit的add_negative_train_samples只在训练集开启，验证和测试的负样本在评估时用negative_sampling动态生成，且每次评估重新采样。如果自己手写负采样，一定要用torch_geometric.utils.negative_sampling并传入num_nodes参数，避免采到不存在的节点。

4.2 边索引方向搞反导致消息传错

现象：训练 loss 正常下降，但 AUC 只有 0.5 左右，等于随机猜。原因多半是edge_index的方向和edge_label_index的方向不一致。PyG 的GCNConv默认按edge_index[0]是源节点、edge_index[1]是目标节点来聚合消息。如果你在构造edge_label_index时把正样本的源和目标写反了，decode 出来的分数就没有意义。解决方法是统一用data.edge_index的顺序，正样本直接取edge_index的列，负样本用negative_sampling生成，不要手动拼。

4.3 特征未归一化导致 Citeseer 上不收敛

现象：Citeseer 上 loss 震荡，AUC 在 0.5-0.6 之间跳。原因是 Citeseer 的原始特征是词袋计数，数值范围差异大，GCN 的邻接矩阵归一化只处理了结构，没处理特征。解决方法是在loader.py里加一步RowNorm或NormalizeFeatures变换：

from torch_geometric.transforms import NormalizeFeatures dataset = Planetoid(root=root, name=name, transform=NormalizeFeatures())

Cora 上不加也能跑，但 Citeseer 不加基本废掉。这个坑很隐蔽，因为 loss 不会报错，只是学不动。

4.4 评估时忘了 model.eval() 导致结果波动

现象：同一个模型跑两次评估，AUC 差 2-3 个点。原因是 dropout 在评估时还在生效，每次前向传播随机丢神经元。解决方法是在test函数开头加model.eval()，结束加model.train()。另外如果用了 BatchNorm，也要注意 running stats 的更新，不过这个项目的 GCN 没有 BN，影响小一些。

4.5 随机种子不固定导致复现困难

现象：论文里写 AUC 0.85，你跑出来 0.82，换台机器又变 0.84。原因是 PyTorch、numpy、CUDA 的随机种子没固定。解决方法是在train.py开头加：

import random, numpy as np, torch def set_seed(seed=42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.deterministic = True

注意cudnn.deterministic=True会稍微降低速度，但换来确定性。Cora 和 Citeseer 上固定种子后，AUC 波动能控制在 0.5 个点以内。

5. 二次开发与改造：从 baseline 到自己的图数据

5.1 换数据集：把 Cora 替换成自定义图

这个项目的loader.py写死了Planetoid，要换成自己的图数据，需要改三处。第一，把Planetoid换成torch_geometric.data.Data，手动传入x、edge_index、num_nodes。第二，RandomLinkSplit的is_undirected要根据你的图是否有向来设，社交网络通常无向，引用网络可以有向。第三，如果节点没有特征，用单位矩阵或随机初始化代替，但 AUC 会降不少，最好还是找点特征。

from torch_geometric.data import Data # 假设你的图有 1000 个节点，边列表存在 edge_list 里 x = torch.randn(1000, 128) # 随机特征，实际替换成你的节点特征 edge_index = torch.tensor(edge_list, dtype=torch.long).t().contiguous() data = Data(x=x, edge_index=edge_index, num_nodes=1000)

改完后跑一遍RandomLinkSplit，确认train_data.edge_label里正负样本比例接近 1:1，如果偏差大，调neg_sampling_ratio。

5.2 换编码器：从 GCN 到 GraphSAGE 或 GAT

GCN 的局限是它对所有邻居一视同仁，GraphSAGE 可以做邻居采样，GAT 可以学注意力权重。换编码器只需要改models/gcn_encoder.py，把GCNConv换成SAGEConv或GATConv，接口基本兼容：

from torch_geometric.nn import SAGEConv class SAGEEncoder(nn.Module): def __init__(self, in_channels, hidden_channels, out_channels): super().__init__() self.conv1 = SAGEConv(in_channels, hidden_channels) self.conv2 = SAGEConv(hidden_channels, out_channels) def forward(self, x, edge_index): x = F.relu(self.conv1(x, edge_index)) x = F.dropout(x, p=0.5, training=self.training) return self.conv2(x, edge_index)

注意 GATConv 的heads参数会影响输出维度，如果heads=4，out_channels要除以 4 再传给下一层，否则维度对不上。我一般先用 GCN 跑通，再换 SAGE 对比，Cora 上 SAGE 通常比 GCN 高 1-2 个点，Citeseer 上差距不大。

5.3 验证改造是否有效的三个检查点

改完代码别急着看 AUC，先过三个检查。第一，打印train_data.edge_label_index.shape和train_data.edge_label.shape，确认边数和标签数一致。第二，跑一个 epoch，看 loss 是否在 0.6-0.7 之间，如果 loss 是 0 或 nan，说明解码器或损失函数写错了。第三，用训练集评估一次 AUC，正常应该比测试集高 5-10 个点，如果训练集 AUC 也只有 0.6，说明模型根本没学到东西，回去检查特征和边索引。

从那以后我每次改完编码器或数据加载逻辑，都强制走一遍这三个检查，比直接看测试 AUC 省时间。希望帮到你。

本文还有配套的精品资源，点击获取