Hacktoberfest 2026: los issues que los mantenedores marcaron para octubre, abiertos y aptos para principiantes. Explorar issues de Hacktoberfest

Proposal: Add comprehensive Link Prediction tutorial to documentation.

Abierto
  • ¿Algo no está bien?
#669 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad
4/5
Tiempo estimado
3-5 días
Aptitud para principiantes
48/100
Tipo de issue
Documentación
Claridad
Bastante claro
Estado de actividad
Tranquilo
Stack tecnológico
julia
Área
documentation, machine-learning

Línea de trabajo

Comienza con la configuración propuesta de rand_edge_split(g, 0.1) y el codificador GCNConv o GraphSAGE; después, organiza las secciones sobre negative sampling, Flux.logitbinarycrossentropy, el bucle de entrenamiento y AUC-ROC. No se ha indicado ningún archivo de documentación ni ninguna prueba, así que primero localiza el punto de entrada adecuado del tutorial. El objetivo es un ejemplo ejecutable de predicción de enlaces que explique cada paso y evalúe sobre las aristas reservadas.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

  1. The Setup & Data Splitting
    Starting by loading a standard dataset, like a simple citation network using MLDatasets.jl.
    The Code Goal: Using rand_edge_split(g, 0.1) to hold out 10% of the edges for testing.
    The Tutorial Explanation: Explain why we split edges. (e.g., "To evaluate our model, we pretend some edges don't exist during training. Our model must learn to predict those hidden edges based on the remaining graph structure.")
  2. Negative Sampling
    I would need to generate "fake" edges.
    The Code Goal: Writing a small function to randomly sample pairs of nodes that do not currently have an edge connecting them.
    The Tutorial Explanation: Clearly explain that for every "positive" edge in the training set, we need a "negative" edge (label 0) to compute our loss.
  3. The Encoder-Decoder Model
    Link prediction usually uses a two-part architecture. I will use Flux.jl for this.
    The Encoder (GNN.jl): A standard 2-layer Graph Convolutional Network (GCNConv) or GraphSAGE layer. This takes the node features and the training graph, and outputs node embeddings.
    The Decoder (Standard Julia/Flux): A function that takes the embeddings of two nodes (a source and a target) and computes their dot product. If the dot product is high, the model predicts an edge exists.
  4. The Loss Function & Training Loop
    The Loss: Because we are predicting 1 (edge) or 0 (no edge), we use Binary Cross-Entropy with Logits (Flux.logitbinarycrossentropy).
    The Loop: 1. Passing the graph through the Encoder to get node embeddings.
  5. Passing the positive and negative edge indices to the Decoder to get predictions.
  6. Calculating the loss against the true labels (1s for real edges, 0s for fake edges).
  7. Updating the GNN weights.
  8. Evaluation
    Calculating the Area Under the ROC Curve (AUC-ROC) on the test edges I hid in Step 1. Would this be a suitable example?
Lenguaje dominante
Julia
Estrellas
309
Forks
74
Merge medio
6 d 18 h
PR fusionados (30 d)
1

Preparar el entorno

Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.

Primeros pasos

  1. Lee el issue completo y luego la guía de contribución del proyecto.
  2. Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
  3. Haz un fork del repositorio y trabaja en una rama.
  4. Abre un pull request que haga referencia al número del issue.

Más de JuliaGraphs/GraphNeuralNetworks.jl

Todos los issues de JuliaGraphs/GraphNeuralNetworks.jl

Issues similares

Más issues de Julia

Recibe los nuevos issues en tu correo

Un resumen breve de issues de GitHub para principiantes.