CiteSeer数据集入门指南：从数据获取到模型训练的全流程解析

1次阅读

共计 2105 个字符，预计需要花费 6 分钟才能阅读完成。

CiteSeer 是学术文献领域的经典数据集，包含 3312 篇计算机科学论文的元数据和引用关系。每篇论文被标注为 6 个类别（如 AI、DB 等），常用于文献分类和引文网络研究。其特点包括：

结构化数据：包含标题、摘要、作者、引用等字段
稀疏特征：词汇表规模大但每篇文档词频低
引文网络：可通过论文间的引用关系构建图结构

典型应用场景包括学术推荐系统、文献自动分类和知识图谱构建。

推荐使用 torch_geometric 库直接加载处理好的版本（需先安装pip install torch-geometric）：

from torch_geometric.datasets import Planetoid

# 下载数据集（首次运行会自动下载）dataset = Planetoid(root='./data', name='CiteSeer')
data = dataset[0]  # 获取图数据对象

# 查看数据结构
print(f"节点数: {data.num_nodes}")
print(f"边数: {data.num_edges}")
print(f"特征维度: {data.num_features}")
print(f"类别数: {dataset.num_classes}")

若需原始数据，可从 CiteSeer 官网手动下载，但需自行解析 XML 格式。

标准 NLP 预处理流程：

import re
from nltk.corpus import stopwords
from nltk.stem import PorterStemmer

# 初始化工具
stop_words = set(stopwords.words('english'))
stemmer = PorterStemmer()

def clean_text(text):
    # 移除特殊字符
    text = re.sub(r'[^a-zA-Z]', ' ', text)
    # 转换为小写
    text = text.lower()
    # 移除停用词并词干化
    return ' '.join([stemmer.stem(word) for word in text.split() 
                    if word not in stop_words])

# 应用清洗
cleaned_abstracts = [clean_text(text) for text in data.x.numpy().tolist()]

使用 TF-IDF 转换为数值特征：

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer(max_features=2000)
X = vectorizer.fit_transform(cleaned_abstracts)
y = data.y.numpy()

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)

# 预测评估
preds = model.predict(X_test)
print(f"Accuracy: {accuracy_score(y_test, preds):.4f}")

import matplotlib.pyplot as plt
from sklearn.metrics import ConfusionMatrixDisplay

fig, ax = plt.subplots(figsize=(8,6))
ConfusionMatrixDisplay.from_predictions(
    y_test, preds, 
    display_labels=dataset.classes,
    ax=ax, cmap='Blues')
plt.xticks(rotation=45)
plt.show()