【斯坦福CS224W图机器学习】04 传统图机器学习方法--边级别：边的预测任务和特征

传统图机器学习方法–边级别：边的预测任务和特征

1概述

该任务是基于现有的链接来预测新的链接。

在测试时，对所有节点对（不存在连接）进行排名，排名前K的节点对是将被预测的。

关键是为一对节点设计特征

链接预测作为任务

链接预测任务中有两种形式：

**1) Links missing at random: **删除一组随机的链接，然后目标是预测它们

2) Links over time:

通过相似度的链接预测

背后思想**（研究方法Methodology）😗*

2边级别的特征

• 基于距离的特征Distance-based feature
• 局部邻域重叠度Local neighborhood overlap
• 全局邻域重叠度Global neighborhood overlap

基于距离的特征Distance-based feature

两个节点之间的最短路径距离

但是这并不能捕捉到邻居重叠的程度：

局部邻域重叠度Local neighborhood overlap

尝试捕获两个节点的连接强度。（有多少个共同的邻居）

Local neighborhood overlap捕获两个节点间共享的邻居节点。

连接强度的（捕获的度量）可以有以下三种：

全局邻域重叠度Global neighborhood overlap

局部邻域重叠度有一些局限：比如，如果这两个节点没有任何共同的邻居，则度量始终为零。然而，这两个节点将来仍有可能被连接起来。

全局邻域重叠度量法通过考虑整个图来解决这一限制性。

Katz index:计算给定的一对节点之间所有长度的路径数。

那么如何计算两个节点之间的路径？使用图形邻接矩阵的幂次！

Katz index在节点$v1$和$v2$之间的计算为：

3边级别的特征总结

基于距离的特征：计算两个节点间的最短路径长度，但是并不能捕获邻居重叠度。

局部邻域重叠度：捕获两个节点共享多少个邻居节点。当两个节点没有共享邻居时，返回0.

全局邻域重叠度：用全局图结构去给两个节点间（的边）打分。Katz指数计算计算给定的一对节点之间所有长度的路径数。