SauravMaheshkar/tags-math-sx

--- license: unknown task_categories: - graph-ml tags: - chemistry configs: - config_name: transductive data_files: - split: train path: "processed/transductive/train_df.csv" - split: valid path: "processed/transductive/val_df.csv" - split: test path: "processed/transductive/test_df.csv" - config_name: inductive data_files: - split: train path: "processed/inductive/train_df.csv" - split: valid path: "processed/inductive/val_df.csv" - split: test path: "processed/inductive/test_df.csv" - config_name: raw data_files: "raw/*.txt" --- Source Paper: https://arxiv.org/abs/1802.06916 ### Usage ``` from torch_geometric.datasets.cornell import CornellTemporalHyperGraphDataset dataset = CornellTemporalHyperGraphDataset(root = "./", name="tags-math-sx", split="train") ``` ### Citation ```misc @article{Benson-2018-simplicial, author = {Benson, Austin R. and Abebe, Rediet and Schaub, Michael T. and Jadbabaie, Ali and Kleinberg, Jon}, title = {Simplicial closure and higher-order link prediction}, year = {2018}, doi = {10.1073/pnas.1800683115}, publisher = {National Academy of Sciences}, issn = {0027-8424}, journal = {Proceedings of the National Academy of Sciences} } ```许可证：未知 任务类别： - 图机器学习（graph-ml） 标签： - 化学（chemistry） 配置项： - 配置名称：直推式学习（transductive） 数据文件： - 划分集：训练集（train），路径：`processed/transductive/train_df.csv` - 划分集：验证集（valid），路径：`processed/transductive/val_df.csv` - 划分集：测试集（test），路径：`processed/transductive/test_df.csv` - 配置名称：归纳式学习（inductive） 数据文件： - 划分集：训练集（train），路径：`processed/inductive/train_df.csv` - 划分集：验证集（valid），路径：`processed/inductive/val_df.csv` - 划分集：测试集（test），路径：`processed/inductive/test_df.csv` - 配置名称：原始格式（raw） 数据文件：`raw/*.txt` --- 来源论文：https://arxiv.org/abs/1802.06916 ### 使用方法 python from torch_geometric.datasets.cornell import CornellTemporalHyperGraphDataset dataset = CornellTemporalHyperGraphDataset(root = "./", name="tags-math-sx", split="train") ### 引用信息 misc @article{Benson-2018-simplicial, author = {Benson, Austin R. and Abebe, Rediet and Schaub, Michael T. and Jadbabaie, Ali and Kleinberg, Jon}, title = {Simplicial closure and higher-order link prediction}, year = {2018}, doi = {10.1073/pnas.1800683115}, publisher = {美国国家科学院（National Academy of Sciences）}, issn = {0027-8424}, journal = {《美国国家科学院院刊》(Proceedings of the National Academy of Sciences)} }

原始信息汇总

数据集概述

许可

• 许可类型：未知

任务类别

• 图机器学习（graph-ml）

标签

• 化学

配置

• 配置名称：transductive

  • 训练数据文件：processed/transductive/train_df.csv
  • 验证数据文件：processed/transductive/val_df.csv
  • 测试数据文件：processed/transductive/test_df.csv

• 配置名称：inductive

  • 训练数据文件：processed/inductive/train_df.csv
  • 验证数据文件：processed/inductive/val_df.csv
  • 测试数据文件：processed/inductive/test_df.csv

• 配置名称：raw

  • 原始数据文件：raw/*.txt

搜集汇总

数据集介绍

构建方式

该数据集源自Benson等人2018年发表于PNAS的研究工作，聚焦于高阶网络科学中的单纯闭包与链接预测问题。数据集以数学与堆栈交换平台（Math StackExchange）上的用户交互数据为基础，构建了包含时间信息的超图结构。数据划分为直推式（transductive）与归纳式（inductive）两种配置，分别对应训练、验证和测试集，并以CSV格式存储。原始数据以文本文件形式提供，便于研究者灵活处理。

特点

数据集的核心特色在于其时间动态性与高阶拓扑结构，能够捕捉用户间随时间演变的多元交互关系。通过超图建模，数据不仅记录成对连接，还包含多个节点同时参与的复杂交互模式，为单纯闭包预测等任务提供了独特视角。直推式与归纳式两种划分方式分别适应不同学习范式，增强了数据集的适用性与挑战性。

使用方法

用户可借助PyTorch Geometric库中的CornellTemporalHyperGraphDataset类便捷加载该数据集，通过指定根目录与名称参数即可获取训练数据。数据集支持直推式与归纳式两种配置，研究者可根据任务需求选择相应版本。此外，原始文本数据亦可供自定义预处理，适合高阶图神经网络或时序超图分析等场景的模型训练与评估。

背景与挑战

背景概述

在图神经网络与高阶网络分析的交汇领域，时间演化超图结构的研究日益成为揭示复杂系统动态行为的关键。SauravMaheshkar/tags-math-sx数据集源于2018年由Austin R. Benson、Rediet Abebe等学者发表于《美国国家科学院院刊》的经典工作，其核心研究问题聚焦于单纯闭包与高阶链接预测机制。该数据集以数学学科标签网络为蓝本，捕捉了标签间随时间演化的多元交互关系，为验证超图模型在时序环境下的预测能力提供了基准。通过划分直推与归纳两种学习范式，它推动了从静态图分析向动态超图推理的范式转变，在化学信息学与社交网络分析中产生了深远影响。

当前挑战

该数据集所解决的领域挑战在于高阶拓扑结构的动态预测，传统链接预测方法难以捕捉超边（即多个节点间的同时关联）的涌现与演化规律。构建过程中，研究者面临两大难题：其一，原始标签共现数据需转化为时间戳标记的超图序列，这要求精确界定时间窗口以平衡稀疏性与信息完整性；其二，归纳设置下测试集中出现未训练节点，迫使模型超越直推式学习，发展能泛化至未知拓扑的时序超图网络架构。这些挑战不仅考验数据表征的鲁棒性，也推动了图机器学习在处理非欧几里得、时变结构时的理论突破。

常用场景

经典使用场景

在复杂网络与图机器学习领域，tags-math-sx数据集作为高阶图结构学习的经典基准，广泛应用于超图建模与时间演化分析。该数据集源自数学社交问答平台MathOverflow上的标签共现关系，通过构建时序超图来捕捉多实体间的高阶交互模式。研究者常借助其归纳与直推两种划分模式，评估模型在节点分类、链接预测及动态图表示学习任务上的泛化能力，尤其聚焦于超边闭合机制与高阶拓扑结构的预测挑战。

衍生相关工作

该数据集催生了一系列里程碑式工作，包括基于超图神经网络的动态链路预测模型（如HyperGCN、HGNN）和时序单纯复形学习框架（如Temporal Simplicial Network）。Benson等人（2018）的原始论文提出的单纯闭包理论，直接启发了后续关于高阶邻域聚合注意力机制的研究，以及用于时序超图节点分类的对比学习范式。此外，基于该数据集衍生出的归纳式超图推理方法，推动了图元学习与少样本场景下关系推断的突破，成为跨学科图智能研究的重要实验基石。

数据集最近研究

最新研究方向

在复杂网络与图机器学习领域，tags-math-sx数据集基于arXiv论文《Simplicial closure and higher-order link prediction》构建，聚焦于高阶链接预测与单纯闭包现象的研究。该数据集以数学与化学标签交互为背景，通过超图结构捕捉节点间的多元关系，突破了传统二元边建模的局限。当前前沿方向集中于利用时序超图模拟学术标签共现的动态演化，探索高阶结构在知识图谱推理、推荐系统及社交网络分析中的预测能力。该数据集提供的归纳与直推两种划分模式，为评估模型在未知节点上的泛化性能提供了标准化基准，推动了图神经网络在非欧几里得空间中的理论发展，并对理解复杂系统中的群体行为模式具有深远意义。