图神经网络的邻接图怎么建，投稿方法里要写哪些条件？

一篇图神经网络论文写“依据原始数据构造邻接图”，却未说明节点代表病人、基因还是时间片，也没有边的生成规则。审稿人拿到代码框架，仍无法重建模型实际看到的关系。方法段应从研究对象和建图步骤写起，把图结构视作可核查的分析输入，而不是一个默认存在的附件。

先把“一个节点”对应的真实对象说清楚。若每个节点是一名患者，说明患者特征来自哪个时间窗；若是分子或文献，说明同名实体如何去重。PyTorch Geometric的数据对象将节点特征与边索引分开存储，这提示稿件也应分别交代二者来源。节点总数、缺失节点处理、训练与测试划分后的节点集合，至少应让读者在流程图中找到对应位置。节点标签若来自结果变量，还要说明它是否只用于训练监督，而非提前进入建图特征。

边的定义要能重算。是按物理相邻、已知相互作用、共同出现，还是相似度超过某个阈值连边？阈值由先验文献、训练集调参或全体数据分布决定，含义不同。写明是否有向、是否加权、是否允许自环、是否保留重复边，以及孤立节点怎样处理。若将连续距离转为二值邻接，给出距离函数、标准化方式和截断点；只报“最近邻”仍缺少邻居数及并列距离的处理规则。

图可能随时间变化。用于预测未来事件时，建图应只使用预测时点可获得的信息；若边来自完整随访期间的共现关系，测试对象的信息可能提前流入训练。需要说明建图是在划分样本之前还是之后、跨训练与测试节点的边是否保留，以及训练目标如何读取这些边。若研究采用传导式设定，可明确说出测试节点特征或结构在训练阶段的可见范围，不要与归纳到新图的任务混称。

异质图还需逐类列出节点类型、边类型、边方向及反向边是否显式加入。PyTorch Geometric的异质图教程按类型分别定义连接，这种结构不能用一句“构造邻接矩阵”概括。对于通过知识库导入的边，注明知识库名称、版本、过滤条件和许可范围；若人工清理边，保存规则与审定记录。

结果段报告图的基本规模和分布，例如各类节点数、边数、孤立节点比例与关键阈值下的变化。若性能对阈值十分敏感，提供合理范围内的敏感性分析。投稿附上建图脚本、输入字段字典和随机种子，必要时用脱敏示例图展示数据流。另一位研究者按方法段重建出的节点和边数量若对不上，说明稿件仍缺少条件。

参考信息：PyTorch Geometric数据对象与异质图官方文档。