企业官网建设流程全解析

如何快速上手ULTRA：知识图谱链路预测环境安装与零样本推理完整教程（Conda/Pip双方案）

【免费下载链接】ULTRAA foundation model for knowledge graph reasoning项目地址: https://gitcode.com/gh_mirrors/ultra/ULTRA

ULTRA 是一款面向知识图谱推理（Knowledge Graph Reasoning）的基础模型（Foundation Model），单个预训练模型即可在任意多关系图上完成零样本链路预测，无需针对每个图谱单独训练。本文将带你用 10 分钟完成环境安装（Conda / Pip 双方案）、选对预训练检查点，并用一条命令跑通零样本推理。

一、先搞懂：ULTRA 是什么？

• 统一、可学习、可迁移：ULTRA 不学习特定图谱的实体/关系嵌入，而是基于关系间交互获得「相对关系表示」，因此可以零样本迁移到任何全新图谱。
• 零样本即 SOTA 级：在 50+ 知识图谱上的平均表现中，零样本推理模式即可超过许多在单一图谱上专门训练的 SOTA 模型。
• 预训练-微调范式：既可以加载检查点直接推理，也可以在你的图谱上继续微调，灵活度极高。

核心模型实现位于 ultra/models.py，底层采用改造版的 NBFNet 消息传递网络（见 ultra/base_nbfnet.py）。

二、环境安装：Conda 与 Pip 双方案

2.1 环境要求一览

完整依赖清单可参考 requirements.txt。

2.2 克隆仓库

git clone https://gitcode.com/gh_mirrors/ultra/ULTRA cd ULTRA

2.3 方案一：Conda 快速安装（推荐）

conda install pytorch=2.1.0 pytorch-cuda=11.8 cudatoolkit=11.8 pytorch-scatter=2.1.2 pyg=2.4.0 -c pytorch -c nvidia -c pyg -c conda-forge conda install ninja easydict pyyaml -c conda-forge

2.4 方案二：Pip 安装完整命令

pip install torch==2.1.0 --index-url https://download.pytorch.org/whl/cu118 pip install torch-scatter==2.1.2 torch-sparse==0.6.18 torch-geometric==2.4.0 -f https://data.pyg.org/whl/torch-2.1.0+cu118.html pip install ninja easydict pyyaml

⚙️提示：项目内置自定义rspmm关系消息传递算子（源码见 ultra/rspmm/），首次运行时会自动编译并缓存。GPU 编译需要 CUDA 11.8+ 工具链中的nvcc，建议设置CUDA_HOME（如export CUDA_HOME=/usr/local/cuda-11.8/）以避免编译报错。

三、选择预训练检查点：零样本推理的关键

仓库ckpts目录自带 4 个官方预训练检查点，开箱即用：

💡 检查点非常小巧（每个仅 2 MB），加载秒级完成。在较大图谱上做链路预测时，优先选用ultra_50g.pth。

四、零样本链路预测：一条命令跑通

4.1 核心参数速览

推理入口为 script/run.py，零样本推理 = 加载检查点 +--epochs 0：

• -c：yaml 配置文件（inductive / transductive 场景各有一份）
• --dataset：数据集名称（内置 57 个知识图谱，首次运行自动下载）
• --version：inductive 数据集的版本号，如v1
• --epochs 0：零样本推理模式（设为大于 0 即变为微调）
• --gpus：null表示 CPU 运行，[0]表示单卡 GPU
• --ckpt：检查点的完整路径

4.2 示例一：CPU 运行归纳式（Inductive）零样本推理

python script/run.py -c config/inductive/inference.yaml \ --dataset FB15k237Inductive --version v1 \ --epochs 0 --bpe null --gpus null \ --ckpt /path/to/ULTRA/ckpts/ultra_4g.pth

4.3 示例二：GPU 运行传递式（Transductive）零样本推理

python script/run.py -c config/transductive/inference.yaml \ --dataset CoDExSmall --epochs 0 --bpe null \ --gpus [0] --ckpt /path/to/ULTRA/ckpts/ultra_4g.pth

运行结束后，日志会输出验证集与测试集的mrr、hits@1、hits@10等链路预测指标。配置细节可分别查看 config/inductive/inference.yaml 和 config/transductive/inference.yaml。

⚠️注意：所有数据集在首次运行时自动下载。如果计划多卡训练，建议先用单卡跑一次以提前触发下载，避免竞态问题。

五、进阶玩法：微调、批量评测与 UltraQuery 逻辑查询

• 微调：把--epochs改为大于 0 即可在目标图谱上微调，例如--epochs 20 --bpe 1000。
• 批量评测：script/run_many.py 支持一次指定多个数据集顺序评测，并自动生成 CSV 结果文件：

python script/run_many.py -c /path/to/config/inductive/inference.yaml --gpus [0] \ --ckpt /path/to/ckpts/ultra_4g.pth \ -d FB15k237Inductive:v1,FB15k237Inductive:v2,FB15k237Inductive:v3,FB15k237Inductive:v4

• 复杂逻辑查询（UltraQuery）：借助 script/run_query.py 在任意知识图谱上执行多跳逻辑查询，使用ultraquery.pth检查点时设置--threshold 0.0（实现见 ultra/ultraquery.py）：

python script/run_query.py -c config/ultraquery/transductive.yaml \ --dataset FB15k237LogicalQuery --epochs 0 --bpe null \ --gpus [0] --bs 32 --threshold 0.0 \ --ultra_ckpt null --qe_ckpt /path/to/ckpts/ultraquery.pth

• 预训练自己的模型：用 script/pretrain.py 配合 config/transductive/pretrain_3g.yaml 在多图谱混合上训练。
• 接入自己的 KG：继承 ultra/datasets.py 中的TransductiveDataset/InductiveDataset基类并填入数据文件链接，即可立即对其做零样本推理或微调。

六、常见问题快速排查

小结

按「克隆仓库 → 二选一安装环境 → 选对检查点 → 一条命令推理」的路径，10 分钟即可在任意知识图谱上体验 ULTRA 的零样本链路预测能力；需要更强效果时，再按需微调即可。

【免费下载链接】ULTRAA foundation model for knowledge graph reasoning项目地址: https://gitcode.com/gh_mirrors/ultra/ULTRA