graph embedding之node2vec

最新推荐文章于 2024-10-05 23:12:08 发布

_zhang_bei_

最新推荐文章于 2024-10-05 23:12:08 发布

阅读量1.6k

点赞数 2

分类专栏：机器学习深度学习

本文链接：https://blog.csdn.net/Zhangbei_/article/details/89505370

版权

深度学习同时被 2 个专栏收录

7 篇文章 1 订阅

订阅专栏

机器学习

5 篇文章 0 订阅

订阅专栏

在上一篇文章中介绍了DeepWalk，这是第一次将word2vec的思路引入到graph或network中。这篇文章继续介绍graph embedding之node2vec，附个链接http://snap.stanford.edu/node2vec/，其中有文章也有代码。

一、基本思路

graph embedding也是一种特征表示学习方式，借鉴了word2vec的思路。在graph中随机游走生成顶点序列，构成训练集，然后采用skip-gram算法，训练出低维稠密向量来表示顶点。之后再用学习出的向量解决下游问题，比如分类，或者连接预测问题等。可以看做是两阶段的学习任务，第一阶段先做无监督训练生成表示向量，第二阶段再做有监督学习，解决下游问题。

在graph中主要存在两种关系，用作者的原话叫homophily和structual equivalence。所谓homophily，即是在graph中紧密相连的邻域，例如图1中的 $\{u, s_1, s_2, s_3, s_4\}$ ，他们之间的关系就是homophily，邻域 $\{s_5, s_6, s_7, s_8, s_9\}$ 同理。具有这种关系的顶点之间，学习出来的向量应该接近或者相似。所谓structural equivalence，就是指在图中具有相似作用的顶点，他们之间未必相邻，甚至可能相隔较远，比如图1中的u和 s_6 ，都是所在邻域的中心顶点。满足这种关系的顶点之间，特征向量也应该接近或者相似。通常在现实世界的graph中，会同时存在这两种关系。

但是在不同的任务中需要关注的重点不同，可能有些任务需要关注网络的homophily，而有些任务比较关注网络的structual equivalence，可能还有些任务两者兼而有之。在第一阶段的表示向量学习过程中，如何学习出表示向量，会影响到下游任务的效果。在DeepWalk中，在采样时作者只是单纯地采用随机游走，无法灵活地捕捉这两种关系，无法在这两种关系中有所侧重。

实际上，对于这两种关系的偏好，可以通过不同的序列采样方式来实现。有两种极端的方式，一种是Breadth-First Sampling(BFS)，广度优先搜索，如图1中红色箭头所示，从u出发做随机游走，但是每次都只采样顶点u的直接邻域，这样生成的序列通过无监督训练之后，特征向量表现出来的是structual equivalence特性。另外一种是Depth-First Sampling(DFS)，深度优先搜索，如图1中蓝色箭头所示，从u出发越走越远，学习得到的特征向量反应的是图中的homophily关系。

该如何在两种随机游走中自由切换或者有所选择？在介绍之前，我们先来公式化表达graph的随机游走。假设从某顶点出发开始随机游走，第i-1步走到当前顶点v，要探索第i步的顶点x。下面的公式表示从顶点v到x的转移概率，E是graph中的边缘集合，(v, x)表示顶点v和x之间的边， $\pi_{vx}$ 可视作边缘的权重 $w_{vx}$ ，Z是归一化常数，是权重之和。对于无权重的网络， $\pi_{vx}=1$ 。最简单的方式，就是按照这个转移概率进行随机游走，但是无法对寻路方式进行控制。

$P(c_i=x|c_{i-1}=v)=\begin{cases} \frac{\pi_{vx}}{Z} \quad if (v,x)\in E \\ 0 \quad otherwise \end{cases}$

作者提出了二阶随机游走，通过修改转移概率的方式来实现控制。假设刚刚从顶点t走到v，并且停在v，现在要决定下一步去哪里，如图2所示。下面两个公式对转移概率做了修改，其中 $d_{tx}$ 表示下一步顶点x和顶点t之间的最短距离。只有3种情况，如果又回到顶点t，那么 $d_{tx}=0$ ；如果x和t直接相邻，那么 $d_{tx}=1$ ；其他情况 $d_{tx}=2$ ，如图2所示。参数p控制着重新返回顶点t的概率。如果 p>max(q,1) ，那么下一步较小概率重新返回t；如果 p<max(q,1) ，那么下一步会更倾向于回到顶点t。对于参数q，如果q>1，那么下一步倾向于回到t或者t的临近顶点，这接近于BFS的探索方式；如果q<1，那么下一步倾向于走到离t更远的顶点，接近于DFS寻路方式。因此，可以通过设置p和q来控制游走网络的方式。所谓的二阶随机游走，意思是说下一步去哪，不仅跟当前顶点的边的权重相关，还跟上一步顶点相关。在文中试验部分，作者对p和q的设置一般是2的指数，比如 $\{1/8, 1/4,1/2, 1, 2, 4,8\}$ 。

$\pi_{vx}=\alpha(t,x) \cdot w_{vx}$

$\alpha(t,x)=\begin{cases} \frac{1}{p}, \quad if\quad d_{tx}=0\\1,\quad if \quad d_{tx}=1\\ \frac{1}{q},\quad if \quad d_{tx}=2 \end{cases}$

二、具体算法

接下来介绍一下node2vec的具体实现，整个过程主要包括三步，第一步是计算转移概率矩阵，第二步是做采样，生成训练样本序列，第三步是用梯度下降做优化，具体如图3所示。

图4中的Part1介绍了算法的流程。在第1行中，G=(V, E, W)，其中V表示node集合，E表示edge集合，W表示edge的权重集合。l表示随机游走的长度，k表示训练样本的长度。这里有个技巧要介绍一下，每一次随机游走生成长度为l的序列，例如 $\{u, s_4,s_5,s_6,s_8,s_9\}$ ，然后从第1个顶点作为起始点，截断k长度的序列，假设k=3，那么 $N_s(u)=\{s_4,s_5,s_6\}$ ；然后是第2个顶点， $N_s(s_4)=\{s_5,s_6,s_8\}$ ；接着是第3个顶点， $N_s(s_5)=\{s_6,s_8,s_9\}$ ，然后到此为止，因为再往后边走长度就不足k了。因此做一次长度为l的序列采样，可以生成l-k个长度为k的训练样本序列。最后，Return p和In-Out q就是上文中介绍的两个参数。

第2，3行是计算新的转移概率矩阵，并且对G做更新。第4行将游走序列集合walks初始化为空集合。第5行到第8行进行随机游走生成顶点序列，一共进行r轮，每一轮都对图中的所有顶点作为起始点来一次长度为的随机游走，并且将序列添加到集合walks中。

第9行是做梯度下降优化。这里作者不再采用DeepWalk中的Hierarchical Softmax，而是采用负采样的方式，同样可以加速训练。

Part2是对Part1中第7行的node2vecWalk函数的具体描述。第1步初始化序列walk，然后进行步随机游走。第3行获取当前顶点curr，第4行是获取当前顶点curr的直接相邻顶点集合 $V_{curr}$ ，第5行是根据转移概率得到下一步的顶点s，并加入序列walk。

三、应用

对顶点的表示学习只是第一步，目的还是为了解决下游任务，下游任务一般有两类，第一类是对顶点的多标签分类，第一类是预测顶点之间是否存在连接。这里主要介绍一下第二类。对于graph中的任意两个顶点对，例如(u, v)，假设学到特征向量为f(u)和f(v)，f为顶点到特征向量的映射函数。通过一些算子，生成顶点对(u,v)的表示向量。不管顶点对之间存在连接，都要生成顶点对的表示向量用于后续使用。作者给出了一些算子作参考，如图4所示，在多个试验中，Hadamard表现最佳。