论文笔记——通过图卷积网络识别网络中的复杂节点

通过图卷积网络识别网络中的重要节点

识别网络中的重要节点一直以来是一个热门话题。收到图卷积网络的启发，本文将节点的影响力识别转换为一个回归问题。通过考虑网络的邻接矩阵和卷积神经网络，提出了RCNN方法，来更高效率的识别网络中有影响力的节点。整体思路如下：为每个节点产生一个特征矩阵，用卷积神经网络训练、预测节点的影响力。

1 背景知识

1.1、卷积神经网络

有关神经网络的详细清晰介绍请移步这里: CNN笔记：通俗理解卷积神经网络.
大神讲的十分清楚，这里截取片段做个总结。

上图中CNN要做的事情是：给定一张图片，是车还是马未知，是什么车也未知，现在需要模型判断这张图片里具体是一个什么东西，总之输出一个结果：如果是车 那是什么车。
最左边是数据输入层，对数据做一些处理，比如去均值（把输入数据各个维度都中心化为0，避免数据过多偏差，影响训练效果）、归一化（把所有的数据都归一到同样的范围）、PCA/白化等等。CNN只对训练集做“去均值”这一步。
中间是
CONV：卷积计算层，线性乘积求和。
RELU：激励层，ReLU是激活函数的一种。
POOL：池化层，简言之，即取区域平均或最大。
最右边是FC：全连接层

2 提出的方法

和卷积神经网络相似，我们从输入的网络建立局部连接邻居。 这些邻域作为卷积体系结构的接收域，允许框架学习网络表示。RCNN具体步骤如下：
（1）特征矩阵和标签：首先，为每个节点找到$l-1$阶邻居，这里重点找最近的邻居（1阶或者2阶）。 如果两个节点具有相等的跳数，则优先选择度较大的节点；
从原图中生成子图$G_u$：$G_u$包含节点u和其$l-1$阶邻居，$A^u$则是该子图的邻接矩阵；
$u_0,u_1,...,u_{l-1}$为节点u和其$l-1$个邻居，$B^u$是节点u的特征矩阵，从$A^u$转化而来，转化规则如下：

其中$k_{u_i}$是节点$u_i$在原图中的度。也就是说，第一行和第一列，以及对角线的值对会对应改变。

通过SIR模型得到所有节点的影响程度作为标签。
（2）卷积体系结构：此论文提出的方法中卷积神经网络包含了2个卷积层和2个池层（pooling layers）以及1个全连接层。 在第一卷积层中，核大小为5×5，输入通道为1，输出通道为16，步长为1，填充为2；在第二卷积层中，核大小为5×5，输入通道为16，输出通道为32，步长为1，填充为2。 两个池层为2×2最大池，完全连接层为32∗(L/4)∗(L/4)×1。 激活函数为ReLU，损失函数为平方损失函数。
（3）节点排序： 首先，使用训练集（为所有节点生成特征矩阵和标签）来训练CNN模型。 其次，选择任意网络，为所有没有标签的节点生成特征矩阵，并通过训练的CNN模型得到这些节点的分数。 最后，按节点的分数排序。

3 实验部分

该作者采用了BA模型生成了6个合成网络训练RCNN模型，九个合成网络以及十五个真实的网络来测试模型。