代码链接：RIPGeo代码实现
├── lib # 包含模型（model）实现文件
│ |── layers.py # 注意力机制的代码。
│ |── model.py # TrustGeo的核心源代码。
│ |── sublayers.py # layer.py的支持文件。
│ |── utils.py # 辅助函数。
一、导入常用库和模块
from __future__ import print_function
import numpy as np
import torch
import warnings
import torch.nn as nn
import random
import matplotlib.pyplot as plt
import copy这段代码首先包含一些导入语句，接着进行一些版本和警告的处理，最后导入了一些常用的库（numpy、torch、matplotlib），并定义了一些常用的模块（nn，plt）。
1、from __future__ import print_function：这是为了确保代码同时在Python 2和Python 3中都能正常运行。在Python 2中，print是一个语句，而在Python 3中，print()是一个函数。通过这个导入语句，可以在Python 2中使用Python 3风格的print函数。
2、import numpy as np：导入NumPy库，并用np作为别名。NumPy是一个用于科学计算的库，提供了数组等高性能数学运算工具。
3、import torch：：导入PyTorch库。PyTorch是一个深度学习框架，提供了张量计算和神经网络搭建等功能。
4、import warnings：导入warnings模块，用于处理警告。
5、import torch.nn as nn：导入PyTorch中的神经网络模块。
6、import random：导入Python的random模块，用于生成伪随机数。
7、import matplotlib.pyplot as plt：导入matplotlib库的pyplot模块，用于绘制图表。
8、import copy：导入Python的copy模块，用于复制对象。
二、warnings.filterwarnings(action='once')
warnings.filterwarnings(action='once')设置了在使用warnings.filterwarnings时的参数。filterwarnings函数用于配置警告过滤器，以控制哪些警告会被触发，以及如何处理这些警告。
具体来说，action='once'表示警告信息只会被显示一次。这对于一些可能会频繁触发的警告而言是一种控制方式，以避免在控制台或日志中大量重复的警告信息。在第一次触发警告时，它会被显示，但在后续的同类警告中，将不再显示。
请注意，这个配置仅适用于在warnings模块中配置的警告，它并不会影响其他类型的警告或错误。
三、DataPerturb() 数据扰动
class DataPerturb:
def __init__(self, eta=1):
self.eta = eta
self.loss = torch.nn.MSELoss(reduction='sum')
def perturb(self, model, data):
# original
lm_X, lm_Y, tg_X, tg_Y, lm_delay, tg_delay = data
# obtain new graph representation
_, ori_graph_feature = model(lm_X, lm_Y, tg_X,
tg_Y, lm_delay,
tg_delay)
# add Gaussian data perturb
new_lm_X, new_lm_Y, new_tg_X, new_tg_Y, new_lm_delay, new_tg_delay = lm_X.clone(), lm_Y.clone(), \
tg_X.clone(), tg_Y.clone(), \
lm_delay.clone(), tg_delay.clone()
new_lm_X[:, -16:] += self.eta * torch.normal(0, torch.ones_like(new_lm_X[:, -16:]) * new_lm_X[:, -16:]).cuda()
new_tg_X[:, -16:] += self.eta * torch.normal(0, torch.ones_like(new_tg_X[:, -16:]) * new_tg_X[:, -16:]).cuda()
new_lm_delay += self.eta * torch.normal(0, torch.ones_like(new_lm_delay) * new_lm_delay).cuda()
new_tg_delay += self.eta * torch.normal(0, torch.ones_like(new_tg_delay) * new_tg_delay).cuda()
# obtain new graph representation
_, new_graph_feature = model(new_lm_X, new_lm_Y, new_tg_X,
new_tg_Y, new_lm_delay,
new_tg_delay)
data_loss = self.loss(ori_graph_feature, new_graph_feature)
return data_loss这段代码定义了一个名为 DataPerturb 的类，其目的是对给定的数据进行扰动，并计算扰动后的损失。
（一）__init__()
def __init__(self, eta=1):
self.eta = eta
self.loss = torch.nn.MSELoss(reduction='sum')在 __init__ 方法中，类初始化时可以指定一个参数 eta，默认为1。该参数用于控制扰动的强度。
损失函数使用MSELoss。
（二）perturb()
def perturb(self, model, data):
# original
lm_X, lm_Y, tg_X, tg_Y, lm_delay, tg_delay = data
# obtain new graph representation
_, ori_graph_feature = model(lm_X, lm_Y, tg_X,
tg_Y, lm_delay,