论文中提供了两个数据集。
【重要】具体实现时只使用其中一个得分-20%。
位于data/transfer/下，包含：
chn.cites/usa.cites两张图中节点的连边信息（有向边），每行为一条边（前者指向后者）chn.content/usa.content两张图中节点的信息，每行表示一个节点，包括：- 第一个元素为节点编号
- 中间的17801个元素为节点的原始特征（标题和摘要的词袋）
- 最后一个元素为节点的标签（论文领域：AI&DM/HC/CA/CN）
china_result.txt/usa_result.txt为每篇论文（图中节点）的标题/摘要。对.content不满意可以自行生成原始特征。
位于data/transfer3/下，包含：
chn.cites/usa.cites同上chn.content/usa.content同上（但我们不用这里面的标签）chn.multilabel/usa.multilabel为各个节点的标签集合，每行为四个0/1的数字，表示各节点的标签集合（作者涉足的邻域）（用这个标签）
【重要】论文中在很多问题上做了实验，如Unsupervised Domain Adaption和Semi-supervised Domain Adaption等。 我们这里统一解决如下问题：
- 给定源网络和目标网络的结构，以及源网络上所有节点的标签
- 我们的模型需要预测目标网络上所有节点的标签，以Macro-F1为标准
- 我们认为源网络上节点为训练集，无验证集，目标网络上的节点为测试集；固定训练轮数，取最后一轮的测试集结果
此外，本次作业的目标是：
- 对于一个具体的图网络问题，体验不同类型的表示学习方法；
- 尝试发散思维，解决一个新问题
因此，不要求能够复现论文中的结果，只要实验结果能自圆其说即可。
从Deepwalk/LINE/Node2Vec等方法中选择一种。
推荐操作方法：
- 使用transductive方法为两张图中的所有节点生成embedding（该过程不需要标签）
- 用SVM或其他分类模型，在源网络上训练，在目标网络上测试
从GCN/GAT/GraphSAGE等方法中选择一种。
推荐操作方法：
- 无监督方法：类似transductive推荐操作方法
- 有监督方法：在源网络上训练一个节点分类模型直接应用于目标网络上
- ……
自由发挥，可以但不限于：
- MMD (Maximum Mean Discrepancy)：计算复杂度高，效果一般但很稳定
- GAN：伟大的发明，效率非常高，但很难调，谁用谁知道
切记训练过程中不能使用目标网络上的标签！
见code/，作者提供的未经整理的代码，仅供参考。
如需使用需要移动至根目录下。
截止日期：1.25 23:59
提交至：swyang@pku.edu.cn，邮件标题为“学号-姓名”。
提交内容：[我是分数]
- 作业报告，pdf格式，3-10页（建议4页左右），包含：[100]
- 简要概述DANE论文是如何实现域适应网络表示学习的[20]
- 使用transductive方法的效果，并分析结果[20]
- 使用inductive方法的效果，并分析结果[20]
- 设计图网络迁移方法，说明思路、实现、效果，并分析结果[20]
- 2-4各方法的可视化结果（参考原论文Fig.7），并分析结果[5]
- 实现过程中遇到的问题以及如何成功解决[5]
- 课程感想[10]
- 代码文件，zip/rar/tar格式，包含：
- 代码（建议是python）
- 一个txt/pdf文件，包含环境配置/库版本，以及代码的使用方法或复现需要的操作