Random Walk算法求近似k阶邻接表

一、算法

二、python实现

# import the required package
import numpy as np
from scipy import sparse

# Approximating the k-hop Neighborhood Using Random Walks
def approximate_k():
    # build a graph
    n_entity = 10
    # build the adjacency of graph
    mat_a = sparse.dok_matrix((n_entity, n_entity), dtype=int)
    mat_a[0, 1] = 1
    mat_a[0, 6] = 1
    mat_a[0, 7] = 1
    mat_a[1, 0] = 1
    mat_a[1, 2] = 1
    mat_a[1, 6] = 1
    mat_a[1, 9] = 1
    mat_a[2, 1] = 1
    mat_a[2, 3] = 1
    mat_a[3, 2] = 1
    mat_a[3, 4] = 1
    mat_a[4, 3] = 1
    mat_a[4, 5] = 1
    mat_a[5, 4] = 1
    mat_a[5, 9] = 1
    mat_a[6, 0] = 1
    mat_a[6, 1] = 1
    mat_a[6, 7] = 1
    mat_a[7, 0] = 1
    mat_a[7, 6] = 1
    mat_a[7, 9] = 1
    mat_a[9, 1] = 1
    mat_a[9, 5] = 1
    mat_a[9, 7] = 1
    mat_a = mat_a.tocsr()
    # initialize the sparse k-hop approximate adjacency matrix k
    mat_k = sparse.dok_matrix((n_entity, n_entity), dtype=int)
    n_rw = 7    # ω
    k_hop = 2   # k
    for i in range(0, n_entity):
        # get neighborhoods of e
        neighbors = mat_a[i]
        if len(neighbors.indices) == 0:
            # generate up to ω random entities
            walker = np.random.randint(n_entity, size=n_rw)
            mat_k[i, walker] = 1
        else:
            # random walk algorithm
            for _ in range(0, n_rw):
                walker = i
                for _ in range(0, k_hop):
                    idx = np.random.randint(len(neighbors.indices))
                    walker = neighbors.indices[idx]
                    neighbors = mat_a[walker]
                mat_k[i, walker] += 1
    mat_k = mat_k.tocsr()
    return mat_k

        对应的图（Graph）：

三、讨论

        在算法中，当遍历到没有邻居节点的实体e时，我认为不必要增加else部分。但是算法仍然增加了那样的设置，是因为上述算法的目的是为了满足负采样（参考1中专业术语）的特殊需求，如果仅仅是为了近似，则建议删掉else部分的代码。

        经过实验，发现效果不是特别好。另外，随机性也很强，每次运行的结果都不一定好，有时能够近似，但大多数近似的结果很差。主要原因可能是图太过小，参数（k、ω）调得可能也不是特别好。如下图所示，近似的效果（与进行对比，0表示近似值与真实值一样，其他则表示近似值与真实值的差），截了比较好的一个。

四、参考/附件

        1.kahrabian/SANS

        2.算法设计文档