干货！基于随机游走的图嵌入的更广阔图景

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

基于随机游走的图嵌入为许多与图相关的下游应用提供了解决方法。然而，有关图嵌入的海量文献使得比较现有方法及在它们的基础上创新变得愈发困难。同时，现有的理论无法解释许多很基础的问题，比如说图嵌入是如何抓取到图结构上的不同尺度，以及它应该如何被有效的用于链接预测。本文提出了一个基于随机游走的图嵌入分析框架用于解决这些问题。该框架由三个部分组成:随机游走过程、相似度函数、和嵌入算法。这个框架不仅涵盖了许多现有的方法，而且还能促进新方法的产生。通过这一框架，我们描绘了如何组合不同尺度下的嵌入来达到更优的下游应用的性能，并展现了与采用点间互信息相似度的现有方法相比，基于自协方差相似度的嵌入与点乘排序的组合可以在链接预测上获得超过两倍的性能。

本期AI TIME PhD直播间我们有幸邀请到了加州大学圣巴巴拉分校计算机系博士生——黄泽熙，为我们带来报告分享《基于随机游走的图嵌入的更广阔图景》。

加州大学圣巴巴拉分校计算机博士生。主要研究方向为图机器学习与数据挖掘。

个人主页: https://zexihuang.com/.

01

 背  景 

基于随机游走的图嵌入（random-walk based graph embedding）能够将高维数据的经典机器学习算法应用于基于图的下游任务（例如链接预测、节点分类和社区检测）。这些嵌入方法基于拓扑相似性（或邻近性）概念学习节点的向量表征。

图嵌入一经提出就获得许多研究者关注，比如2014年提出的DeepWalk与2016年提出的node2vec，在ACM官网的所有KDD论文中的引用排名高居第四位，这充分说明了这个领域的热门程度。

目前，尽管有丰富的文献，但是基于随机游走的图嵌入的几个基本问题仍然没有得到解答。

图嵌入的一个重要应用是链接预测（link prediction）。那如何将随机游走嵌入应该如何用于链接预测呢？一种方法是将嵌入空间（embedding space）里的重建的点间相似度（pairwise similarity，比如图a中的点积）进行排序，然后预测结果为排序靠前的组合。另一种方法则是利用分类器来，将嵌入对（embedding pair）组合作为输入来预测链接形成的概率，如下图b。

<