【数据集】ACM数据集

ACM（Association for Computing Machinery）数据集是计算机科学领域常用于研究学术论文、作者关系、引文网络、推荐系统、图神经网络（GNN）等任务的数据集之一。该数据集通常包含学术论文、作者、研究领域以及它们之间的关系，并在许多机器学习、数据挖掘和社交网络分析任务中广泛使用。

1. ACM数据集的版本和来源

ACM数据集的版本较多，不同版本的数据来源和内容可能有所不同，常见的版本包括：

• ACM Citation Network Dataset：由Microsoft Academic Graph（MAG）或DBLP提取的ACM引用网络数据，包含论文及其引用关系。
• ACM Author-Paper Dataset：用于学术社交网络分析，包含作者、论文及其关系信息。
• ACM数据集（ACM-DBLP）：用于异质图神经网络（Heterogeneous Graph Neural Networks, HGNN）研究，包括论文、作者和研究领域。

2. 数据结构

不同的ACM数据集包含不同的信息，以下是常见的数据组织形式：

(1) 节点类型

ACM数据集通常包含以下几类节点：

• Paper（论文）：包括论文ID、标题、摘要、发表年份、会议等信息。
• Author（作者）：包括作者ID、姓名、单位等信息。
• Conference/Venue（会议或期刊）：论文发表的会议或期刊信息。
• Field（研究领域）：论文所属的计算机科学研究方向。

(2) 边类型（关系）

• (Author, writes, Paper)：作者撰写论文的关系。
• (Paper, cites, Paper)：论文引用其他论文的关系。
• (Paper, published_in, Conference)：论文发表在会议上的关系。
• (Paper, belongs_to, Field)：论文所属的研究领域。

(3) 典型数据格式

ACM数据集通常以CSV、JSON、Graph（图数据格式，如Neo4j、DGL、PyG）存储。常见的数据示例如下：

论文表 (Papers.csv)

作者表 (Authors.csv)

论文-作者关系 (Paper_Author.csv)

论文引用关系 (Paper_Citation.csv)

3. ACM数据集的用途

ACM数据集常用于以下研究领域：

(1) 论文推荐系统

• 基于协同过滤的推荐：使用论文-作者-领域关系构建推荐模型。
• 基于图神经网络（GNN）的论文推荐：利用异构图神经网络（Heterogeneous GNN）建模论文、作者和领域之间的关系。

(2) 学术社交网络分析

• 研究作者合作关系，分析学术合作模式。
• 识别学术领域的关键作者、影响力最大论文等。

(3) 计算机科学研究趋势分析

• 通过论文发表年份和研究领域分析不同方向的发展趋势。
• 利用文本挖掘技术提取研究热点。

(4) 引文网络分析

• 分析论文的影响力和被引次数，研究学术传播模式。
• 计算论文PageRank值，发现高影响力论文。

(5) 机器学习与深度学习实验

• 异构图表示学习：Heterogeneous Graph Embedding (如metapath2vec)。
• 图神经网络：Graph Neural Networks (如 GCN, GAT, HAN) 在学术网络中的应用。

4. 相关研究与数据集下载

ACM数据集的不同版本可以从以下渠道获取：

• Microsoft Academic Graph (MAG)：Microsoft Academic Graph - Microsoft Research
• DBLP (计算机科学论文库)：dblp: computer science bibliography
• OGB (Open Graph Benchmark)：Open Graph Benchmark | A collection of benchmark datasets, data-loaders and evaluators for graph machine learning in PyTorch.
• Graph Learning Benchmarks (GLB)：https://graphlearning.io/

5. 代码示例

使用Python和NetworkX分析ACM引文网络的示例：

import pandas as pd
import networkx as nx
import matplotlib.pyplot as plt

# 读取数据
papers = pd.read_csv("Papers.csv")  # 论文数据
authors = pd.read_csv("Authors.csv")  # 作者数据
citations = pd.read_csv("Paper_Citation.csv")  # 论文引用关系

# 创建有向图
G = nx.DiGraph()

# 添加论文节点
for _, row in papers.iterrows():
    G.add_node(row["PaperID"], label="Paper", title=row["Title"])

# 添加引用关系
for _, row in citations.iterrows():
    G.add_edge(row["CitingPaperID"], row["CitedPaperID"], relation="cites")

# 绘制引文网络
plt.figure(figsize=(10, 8))
nx.draw_networkx(G, with_labels=True, node_size=500, font_size=8)
plt.show()

该代码读取ACM数据集的论文和引文关系，并用 NetworkX 绘制引文网络。

数据集特点

1. 异构性（Heterogeneity）：ACM 数据集包含 论文-作者-会议-研究领域 之间的复杂关系，适用于 异构图分析。
2. 高质量学术数据：数据来源于 ACM、DBLP、Microsoft Academic Graph (MAG) 等权威数据库，适用于学术网络分析和推荐系统研究。
3. 大规模 & 小规模数据版本：
   • 大规模 ACM-MAG 数据集 适用于大规模引文网络分析（论文数百万级）。
   • 小规模 ACM-DBLP 数据集 适用于 Heterogeneous Graph Neural Networks (HGNN) 研究（论文数万级）。
4. 适用于机器学习 & 深度学习：
   • 可用于 论文推荐系统、学术影响力分析、知识图谱构建。
   • 可用于 图神经网络（GNN）训练，如 GCN、GAT、HAN 等。

常用子集

下载地址：ACM Dataset | Papers With Code

ACM数据集包含了发表在KDD、SIGMOD、SIGCOMM、MobiCOMM和VLDB等顶级会议上的论文，并根据研究领域分为三大类：数据库（Database）、无线通信（Wireless Communication）和数据挖掘（Data Mining）。该数据集构建了一个异质图（heterogeneous graph），其中包含以下实体和关系：

• 论文（Paper）：3025篇论文，每篇论文的特征通过关键词的词袋模型（bag-of-words）表示。

• 作者（Author）：5835位作者，与论文之间存在撰写关系。

• 主题（Subject）：56个主题，与论文之间存在分类关系。

数据集的核心特点：

1. 异质图结构：

   • 图中包含多种类型的节点（论文、作者、主题）和边（论文-作者、论文-主题）。

   • 这种异质图结构适合用于图神经网络（GNN）等图数据分析任务。

2. 论文特征：

   • 每篇论文的特征通过关键词的词袋模型表示，即用一组关键词的向量来描述论文内容。

   • 这种表示方法适用于文本挖掘、分类和推荐等任务。

3. 类别划分：

   • 论文被划分为三大类：数据库、无线通信和数据挖掘。

   • 这种分类信息可用于监督学习任务，如论文分类或领域预测。

应用场景：

• 论文分类：基于论文的关键词特征和异质图结构，对论文进行领域分类。

• 作者推荐：通过分析作者与论文的关系，推荐潜在的合作者。

• 主题挖掘：从论文与主题的关系中挖掘热门研究领域或趋势。

• 图神经网络研究：作为异质图的典型数据集，用于验证图神经网络算法的性能。

数据集的挑战：

• 异质图复杂性：由于包含多种类型的节点和边，图的构建和分析较为复杂。

• 特征稀疏性：词袋模型表示的关键词特征可能较为稀疏，需要特征工程或嵌入表示来优化。

• 类别不平衡：三大类论文的数量可能不均衡，需注意分类任务中的数据平衡问题。

ACM数据集是学术论文推荐、学术网络分析和图机器学习研究的重要数据集，广泛用于学术社交网络分析、推荐系统、文本挖掘、知识图谱等领域。它不仅提供了学术论文的详细信息，还通过引文、作者和研究领域的关系构建了一个复杂的学术网络，适用于多种机器学习和数据挖掘任务。