今日はPyTorch入門②ということで前回の続き、

1. genresはジャンルごとに分離してから特徴量として使用
2. movieIdとuserId2つのカテゴライズが存在すると扱いにくいので、”mappedID”という共通IDを新たに振りなおし、これをエッジに位置づける。
3. データオブジェクトの作成
4. モデルの学習と予測

ここから話を進めます。

2.マッピングとエッジ作成

2つのデータセットは、

1）movieIDに対する映画タイトルやそのジャンル

2）映画の評価（userID、movieID、視聴時間（？）等）

を示しています。

一見よくまとまっているように思えますが、

1）はmovieIDがインデクスになっているのに比べて、 2）はインデクスがありません。しかも同じIDが連続していたり、無秩序にデータが並んでいる状態ですよね。そこで、以下の前処理を行います。（参照元の記述を理解しやすいよう、順番変更しました↓）

<p>このedge_index_user_to_movieという変数に格納されたマッピング配列は、視聴ユーザーから映画を指し示すエッジインデックスに該当します。</p>
<p></p>
<h2>3.データオブジェクトの作成</h2>

このedge_index_user_to_movieという変数に格納されたマッピング配列は、視聴ユーザーから映画を指し示すエッジインデックスに該当します。

3.データオブジェクトの作成

from torch_geometric.data import HeteroData
import torch_geometric.transforms as T

data = HeteroData()

♯ノード情報の入力（userIDと特徴）
data["user"].node_id = torch.arange(len(unique_user_id))
data["movie"].node_id = torch.arange(len(movies_df))

♯ジャンル情報の入力
data["movie"].x = movie_feat

♯エッジ入力
data["user", "rates", "movie"].edge_index = edge_index_user_to_movie

♯同種or異種グラフを無向グラフに変換
data = T.ToUndirected()(data)

ノードとエッジのイメージ図　※クリック表示

トレーニングデータの作成については専用のオブジェクトが用意されているため、

scikit-learnやTensorFlowと比較してデータ構造は分かりやすく記載することができます。

けれど、型に当てはめる分工程が多い気もしますね(;^_^A

また、通常の予測はモデルに組み込むデータセットとラベルの長さが一致していないとエラーを吐かれることが当たり前でしたが、

PyTorchのグラフニュートラルではノードやエッジインデックスの長さに関して柔軟性があるようです。

（これはこれは…。水質データを入力する場合、ものすごく複雑になりそうな予感がします(◎_◎;)

※以下HeteroDate（）に入力したデータのサイズ

>>> len(movies_df)
9742
>>> len(unique_user_id)
610
>>> len(movie_feat)
9742
>>> movie_feat.shape
torch.Size([9742, 20])
>>> edge_index_user_to_movie.shape
torch.Size([2, 100836])

次回はモデルを見ていきましょう(^-^)