一、背景
1.提出
①使用邻接矩阵表示网络时,由于矩阵中大多数元素是0,难以体现节点间关系,同时数据的稀疏性使得计算效率很低
②为此提出图嵌入算法:将图节点或子图以低维向量形式表达,供现有模型直接使用。
2.应用
①节点分类任务,预测网络中某节点最可能的标签。如社交网络:用户感兴趣对象;蛋白质网络:蛋白质功能
②边预测任务,预测网络中两节点是否应该相连。如社交网络:两用户是否朋友
3.特点
①节点的向量表达仅考虑节点间关系,没考虑节点本身特征
二、DeepWalk
RandomWalk
DeepWalk使用随机游走(RandomWalk)的方式在图中进行节点采样。
RandomWalk:给定当前访问起始节点,从其邻居中随机采样节点作为下一个访问节点,重复此过程,直到访问序列长度满足预设条件。原则是可重复访问已访问节点的深度优先遍历算法。
RandomWalk采样的过程:
①打乱顶点集合V
②自顶点vi开始在图G中进行步数为t的随机游走,得到游走序列Wvi=(vi,…,vj)
③窗口大小w,将序列Wvi输入SkipGram中用于训练隐藏层参数Φ
④重复上述过程,直到每一个vi都做过起始点
如下图:
选择如打乱集合中各个顶点后,先选择了顶点1,然后随机游走(即随机选择下一个定点),依次走到了3,1,5,…窗口大小就是游走序列的长度。顶点1游走完之后再从顶点2开始随机游走,依次走到了1,3,4,…。顶点2游走完之后再从顶点6开始游走,依次走到了1,5,1,…一直到所有顶点都作为起点游走过后,这时我们会得到顶点个数个长度为窗口大小的游走序列,然后用这些序列去训练。deepwalk和node2vec的不同之后在于游走的方法不同,而二者的序列训练方法基本相同,下面介绍node2vec
三、node2vec
引言
前文所介绍的DeepWalk获得游走序列是基于DFS邻域,基于BFS获得游走序列的是LINE。node2vec种综合考虑DFS邻域和BFS邻域的graph embedding方法。简单来说,node2walk可以看作是deepwalk的一种扩展,即结合了DFS和BFS随机游走的deepwalk。
注意:node2vec是利用node2walk获取的序列。deepwalk是利用randomwalk获取的序列。
node2walk
node2walk的游走策略(已经由节点t游走到节点v,下一步如何抉择),根据下面公式,计算出每个每个邻近节点的“值”,然后折算成概率,最后别名采样(alias sample)算法最终游走到的目标节点(p越小,embedding越倾向于表达同质性;q越小,embedding越倾向于表达结构性)
下图的含义是上一步在顶点t,当前在顶点v,下一步走到顶点x的“权重”。dtx=0,1,2分别表示下一步走回t,走到x1,走到x2或x3的权重。(对应距离上一步位置t与下一步位置x的距离分别是0,1,2)
skip-gram(用中心词预测周围词)
经过node2vec后,我们得到了若干序列,我们认为在同一个序列中出现的词之间是有关联的,所以我们希望用同一个序列中按照某个规则,两两取顶点,将一个顶点作为输入值,另一个顶点作为标签,经过神经网络训练后,取出网络中的某个矩阵,那个这个矩阵就是这些顶点的嵌入词向量,即能表示某个词,有了向量就能通过计算向量间距离来判断某两个顶点之间的距离(关系度)了。
假设网络中一共有1194个结点,算法的步骤为:
①对每个结点进行维数1194的独热编码
②初始化embedding矩阵,形状(1194,128)
③用一个batch的train_inputs(128,1194)点乘embedding矩阵,得到这些输入样本的嵌入词向量组成的矩阵embed(128,128)。
注意:embedding矩阵(嵌入图矩阵)是由所有词的嵌入词向量组成的。
如下图,左边是一个batch的train_inputs矩阵的一个行向量(1x1194),代表编号为3的顶点的独热编码。右边是embedding矩阵(1194x128),每一列对应一个顶点的嵌入词向量,那么运算结果为该顶点对应的嵌入词向量。那么用一个batch(设batch_size=128)的train_inputs矩阵点乘embedding矩阵,得到这些输入样本的嵌入词向量组成的矩阵embed(128,128)。
④初始化weights矩阵,形状(1194,128)以及biases(biases初始值0)
⑤用embed(128,128)点乘转置的weights(128,1194)并加上biases,得到隐藏层输出hidden_out(128,1194)
hidden_out的含义是这128个输入样本中每个样本对每个其他样本的相似度。
⑥128个标签组成了一个(128,1194)的矩阵labels
⑦用训练值hidden_out和标签值labels求损失,然后生成优化器
⑧经过迭代后,得到训练完成后的embedding(1194,128),用每个结点的独热编码乘以该矩阵,得到的表示这个结点的嵌入词向量(128维)。
附上一段在某处看到的代码(我添加了注释):
这段代码的作用是给一篇文章,然后输出与每个单词关联度最高的单词。
# 1.导入所依赖的库
import time
import collections
import math
import os
import random
import zipfile
import numpy as np
import urllib
import pprint
import tensorflow as tf
import matplotlib.pyplot as plt
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
# 2.准备数据集
url = "http://mattmahoney.net/dc/"
def maybe_download(filename, expected_bytes):
"""
判断文件是否已经下载,如果没有,则下载数据集
"""
if not os.path.exists(filename):
# 数据集不存在,开始下载
# 按网址:http://mattmahoney.net/dc/text8.zip下载文件,同时以名字filename(在这里是text8.zip)保存在当前目录
filename, _ = urllib.request.urlretrieve(url + filename, filename)
# 有关函数urllib.request.urlretrieve的详解博客https://blog.csdn.net/pursuit_zhangyu/article/details/80556275
# 核对文件尺寸
stateinfo = os.stat(filename)
# 有关系统stat调用的详细解释链接https://www.cnblogs.com/fmgao-technology/p/9056425.html
if stateinfo.st_size == expected_bytes:
print("数据集已存在,且文件尺寸合格!", filename)
else :
print(stateinfo.st_size)
raise Exception(
"文件尺寸不对 !请重新下载,下载地址为:"+url
)
return filename
"""
测试文件是否存在
"""
filename = maybe_download("text8.zip", 31344016)
# 3.解压文件
def read_data(filename):
# 有关zipfile模块的详细使用介绍博客https://www.cnblogs.com/ManyQian/p/9193199.html
with zipfile.ZipFile(filename) as f: # 提取压缩文件并用f表示该文件
# 有关python中split()函数的详细解释博客https://www.runoob.com/python/att-string-split.html
data = tf.compat.as_str(f.read(f.namelist()[0])).split() # 取压缩文件里面的第一个文件(索引为0)
'''
使用 zipfile.ZipFile()来提取压缩文件,然后我们可以使用
zipfile 模块中的读取器功能。首先,namelist()函数检索该
档案中的所有成员——在本例中只有一个成员,所以我们可以使
用 0 索引对其进行访问。然后,我们使用 read()函数读取文
件中的所有文本,并传递给 TensorFlow 的 as_str 函数,以确
保文本保存为字符串数据类型。最后,我们使用 split()函数
创建一个列表,该列表包含文本文件中所有的单词,并用空格字
符分隔'''
return data
filename = "text8.zip"
words = read_data(filename)
print("总的单词个数:", len(words))
# 4.构建词汇表,并统计每个单词出现的频数,同时用字典的形式进行存储,取频数排名前50000的单词
vocabulary_size = 50000
def build_dataset(words): # words是输入的原文
count = [["UNK", -1]] # 这里不可以用unknown,因为原文中有unknown,所以会出错
# collections.Counter()返回的是形如[["unkown",-1],("the",4),("physics",2)]
count.extend(collections.Counter(words).most_common(vocabulary_size - 1))
# 有关collection模块中counter类的详细解释链接http://www.pythoner.com/205.html
# most_common()函数用来实现Top n 功能 即截取counter结果的前多少个子项
# 对于列表的一些常见基本操作详细链接https://blog.csdn.net/ywx1832990/article/details/78928238
# print(count[:10]) # 这时候count中存放的是频次前50000的单词以及它们出现的频次,其余的认为是unknown,频次为-1
dictionary = {}
# 将全部单词转为编号(以频数排序的编号),我们只关注top50000的单词,并记UNK编号为0,同时统计一下这类词汇的数量
for word, _ in count:
dictionary[word] = len(dictionary)
# len(dictionary)是输出字典中元素个数,即键的个数
# 开始时字典为空,len(dictionary)为0,第一个键是unknown,则有"unknown":0
# 第二个键是the,此时字典中只有一个元素,则有"the":1
# 形如:{"the":1,"UNK":0,"a":12}
# print(dictionary["UNK"])
data = []
unk_count = 0 # 准备统计top50000以外的单词的个数
for word in words:
# 对于其中每一个单词,首先判断是否出现在字典当中
if word in dictionary:
# 如果已经出现在字典中,则转为其编号
index = dictionary[word]
else:
# 如果不在字典,则转为编号0
index = 0
unk_count += 1
data.append(index) # data存放的是words即原文中所有单词对应的编号
"""
print(data[:10])
[5234, 3081, 12, 6, 195, 2, 3134, 46, 59, 156]
"""
count[0][1] = unk_count # 将统计好的unknown的单词数,填入count中
# 将字典进行翻转,形如:{3:"the",4:"an"},字典翻转有很多方法,可以百度选择一种即可
reverse_dictionary = dict(zip(dictionary.values(), dictionary.keys()))
return data, count, dictionary, reverse_dictionary
# 返回值意义分别是data:words即原文中所有单词对应的编号
# count:二维数组,频次前50000的单词以及它们出现的频次,其余的认为是unknown,频次为-1,并放在第一个
# dictionary:对count中内容按序编号
# reverse_dictionary:翻转dictionary
# 为了节省内存,将原始单词列表进行删除
data,count,dictionary,reverse_dictionary = build_dataset(words)
del words
# 将部分结果展示出来
# print("出现频率最高的单词(包括未知类别的):",count[:10])
# 将已经转换为编号的数据进行输出,从data中输出频数,从翻转字典中输出编号对应的单词
# print("样本数据(排名):",data[:10],"\n对应的单词",[reverse_dictionary[i] for i in data[:10]])
# 5.生成Word2Vec的训练样本,使用skip-gram模式
data_index = 0
def generate_batch(batch_size, num_skips, skip_window):
"""
:param batch_size: 每个训练批次的数据量,8
:param num_skips: 每个单词生成的样本数量,不能超过skip_window的两倍,并且必须是batch_size的整数倍,2
:param skip_window: 单词最远可以联系的距离,设置为1则表示当前单词只考虑前后两个单词之间的关系,也称为滑窗的大小,1
:return:返回每个批次的样本以及对应的标签
"""
global data_index # 声明为全局变量,方便后期多次使用
# 使用Python中的断言函数,提前对输入的参数进行判别,防止后期出bug而难以寻找原因
assert batch_size % num_skips == 0
assert num_skips <= skip_window * 2
batch = np.ndarray(shape=(batch_size), dtype=np.int32) # 创建一个batch_size大小的数组,数据类型为int32类型,数值随机
labels = np.ndarray(shape=(batch_size, 1), dtype=np.int32) # 数据维度为[batch_size,1]
span = 2 * skip_window + 1 # 入队的长度,左右滑窗大小+本身
buffer = collections.deque(maxlen=span) # 创建双向队列。最大长度为span
"""
print(batch,"\n",labels)
batch :[0 ,-805306368 ,405222565 ,1610614781 ,-2106392574 ,2721-,2106373584 ,163793]
labels: [[ 0]
[-805306368]
[ 407791039]
[ 536872957]
[ 2]
[ 0]
[ 0]
[ 131072]]
"""
# 对双向队列填入初始值
for _ in range(span):
buffer.append(data[data_index])
data_index = (data_index+1) % len(data)
"""
print(buffer,"\n",data_index) 输出:
deque([5234, 3081, 12], maxlen=3)
3
"""
# 进入第一层循环,i表示第几次入双向队列
for i in range(batch_size // num_skips): # i:0->3
target = skip_window # 定义buffer中第skip_window个单词是目标
targets_avoid = [skip_window] # 定义生成样本时需要避免的单词,因为我们要预测的是语境单词,不包括目标单词本身,因此列表开始包括第skip_window个单词
for j in range(num_skips): # j:0->1
"""第二层循环,每次循环对一个语境单词生成样本,先产生随机数,直到不在需要避免的单词中,也即需要找到可以使用的语境词语"""
while target in targets_avoid:
target = random.randint(0, span-1)
# print(target) # 找到2时退出一次,2作为可使用的语境词语。第二次for j时,只能找0,0作为可使用的语境词语。(0和2顺序可变)
targets_avoid.append(target) # 因为该语境单词已经被使用过了,因此将其添加到需要避免的单词库中
batch[i * num_skips + j] = buffer[skip_window] # 目标词汇 i=0时:0,1 i=1时:2,3 i=2时:4,5
labels[i * num_skips + j, 0] = buffer[target] # 语境词汇
# 此时buffer已经填满,后续的数据会覆盖掉前面的数据
buffer.append(data[data_index])
data_index = (data_index + 1) % len(data)
# print(batch,labels)
return batch, labels
# 举例子看看是否正确
batch, labels = generate_batch(8, 2, 1)
# for i in range(8):
# print("目标单词:"+reverse_dictionary[batch[i]]+"对应编号为:".center(20)+str(batch[i])+" 对应的语境单词为: ".ljust(20)+reverse_dictionary[labels[i,0]]+" 编号为",labels[i,0])
"""
for i in range(8):
print("目标单词:"+reverse_dictionary[batch[i]]+"对应编号为:".center(20)+str(batch[i])+" 对应的语境单词为: ".ljust(20)+reverse_dictionary[labels[i,0]]+" 编号为",labels[i,0])
测试结果:
目标单词:originated 对应编号为: 3080 对应的语境单词为: as 编号为 12
目标单词:originated 对应编号为: 3080 对应的语境单词为: anarchism 编号为 5233
目标单词:as 对应编号为: 12 对应的语境单词为: originated 编号为 3080
目标单词:as 对应编号为: 12 对应的语境单词为: a 编号为 6
目标单词:a 对应编号为: 6 对应的语境单词为: as 编号为 12
目标单词:a 对应编号为: 6 对应的语境单词为: term 编号为 195
目标单词:term 对应编号为: 195 对应的语境单词为: of 编号为 2
目标单词:term 对应编号为: 95 对应的语境单词为: a 编号为 6
"""
# 6.定义训练数据的一些参数
batch_size = 128 # 训练样本的批次大小
embedding_size = 128 # 单词转化为稠密词向量的维度
skip_window = 1 # 单词可以联系到的最远距离
num_skips = 1 # 每个目标单词提取的样本数
# 7.定义验证数据的一些参数
valid_size = 16 # 验证的单词数
valid_window = 100 # 指验证单词只从频数最高的前100个单词中进行抽取
valid_examples = np.random.choice(valid_window, valid_size, replace=False) # 进行随机抽取
num_sampled = 64 # 训练时用来做负样本的噪声单词的数量
# 8.开始定义Skip-Gram Word2Vec模型的网络结构
# 8.1创建一个graph作为默认的计算图,同时为输入数据和标签申请占位符,并将验证样例的随机数保存成TensorFlow的常数
graph = tf.Graph()
with graph.as_default():
# 生成了一个占位符,这样申请位置对后面运算可以加速,此时还没有存东西
# tf.placeholder()函数作为一种占位符用于定义过程,可以理解为形参,在执行的时候再赋具体的值。
train_inputs = tf.compat.v1.placeholder(tf.int32, [batch_size]) # 128行,多少列未知,每一行都是独热编码
train_labels = tf.compat.v1.placeholder(tf.int32, [batch_size, 1]) # 128行,1列
valid_dataset = tf.constant(valid_examples, tf.int32) # 16行,多少列未知,valid_dataset是包含16个编号的数组
# 选择运行的device为CPU
with tf.device("/cpu:0"):
# 单词大小为50000,向量维度为128,随机采样在(-1,1)之间的浮点数
embeddings = tf.Variable(tf.compat.v1.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0)) #(50000,128)
# 使用tf.nn.embedding_lookup()函数查找train_inputs对应的向量embed,根据索引选择对应的元素,避开了对输入值的独热,本篇仅对输出值独热
embed = tf.nn.embedding_lookup(embeddings, train_inputs) # 根据train_inputs中的id号,寻找(独热编码与之点积)embeddings中的对应元素,(128,128),即输入的128个词的嵌入词向量。
# 使用截断正太函数初始化权重,偏重初始化为0
weights = tf.Variable(tf.compat.v1.truncated_normal([vocabulary_size, embedding_size], stddev=1.0 /math.sqrt(embedding_size))) # (50000,128)
biases = tf.Variable(tf.zeros([vocabulary_size]))
# 隐藏层实现
hidden_out = tf.matmul(embed, tf.transpose(weights)) + biases # embed与转置后的weights点积,得到(128,50000)
# 将标签使用one-hot方式表示,便于在softmax的时候进行判断生成是否准确
train_one_hot = tf.one_hot(train_labels, vocabulary_size) # (128,50000),500000表示向量维度。根据train_labels的不同,在vocabulary_size中分配独热编码,每轮训练分配的都不一样
# print(train_one_hot)
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=hidden_out, labels=train_one_hot)) # 两个(128,50000)计算损失
# 优化选择随机梯度下降
optimizer = tf.compat.v1.train.GradientDescentOptimizer(1.0).minimize(cross_entropy)
# 为了方便进行验证,采用余弦定理验证相似性 链接https://blog.csdn.net/u012160689/article/details/15341303
# 归一化
norm = tf.compat.v1.sqrt(tf.compat.v1.reduce_sum(tf.square(weights), 1, keepdims=True))
normalized_embeddings = weights / norm # 这两行的目的是将embeddings的每行的向量归一化 (50000,128)
valid_embeddings = tf.nn.embedding_lookup(normalized_embeddings, valid_dataset) # 根据这16个编号去查询验证归一化的单词嵌入向量,(16,128)
# 计算验证单词的嵌入向量与词汇表中所有单词的相似性
similarity = tf.matmul(
valid_embeddings, normalized_embeddings, transpose_b=True # (16,50000),这16个验证单词与所有50000个单词的相似性
)
init = tf.compat.v1.global_variables_initializer() # 因为tf中建立的变量是没有初始化的,执行init后便可开始定义参数的初始化
# 9.启动训练
num_steps = 150001 # 进行15W次的迭代计算
t0 = time.time()
# 创建一个回话并设置为默认
with tf.compat.v1.Session(graph=graph) as session:
init.run() # 启动参数的初始化
print("初始化完成!")
average_loss = 0 # 计算误差
# 开始迭代训练
for step in range(num_steps):
batch_inputs, batch_labels = generate_batch(batch_size, num_skips, skip_window) # 调用生成训练数据函数生成一组batch和label
feed_dict = {train_inputs: batch_inputs, train_labels: batch_labels} # 待填充的数据
# 启动回话,运行优化器optimizer和损失计算函数,并填充数据
# sess.run(函数名,feed_dict = {字典形式的给形参赋值}),这个时候才给,这是才开始往batch_inputs和batch_labels里面填充值,没run之前里面还没放值
# 只是一个对应形状的占位符,所以若要直接获取值,则需要 matrix.eval()
optimizer_trained, loss_val = session.run([optimizer, cross_entropy], feed_dict=feed_dict) # optimizer_trained没用,可以直接改为:_,loss_val=
average_loss += loss_val # 统计NCE损失
# 为了方便,每2000次计算一下损失并显示出来
if step % 2000 == 0:
if step > 0:
average_loss /= 2000
print('第%d轮迭代用时:%s' % (step, time.time() - t0))
t0 = time.time()
print("第{}轮迭代后的损失为:{}".format(step, average_loss))
average_loss = 0
# 每10000次迭代,计算一次验证单词与全部单词的相似度,并将于验证单词最相似的前8个单词呈现出来
if step % 10000 == 0:
sim = similarity.eval() # 把张量的值给算出来,否则里面是占位符
# 从频次最高的100个单词里抽16个验证单词,并分别找出与这16个验证单词相似度最接近的8个单词
for i in range(valid_size):
valid_word = reverse_dictionary[valid_examples[i]] # 得到对应的验证单词
top_k = 8
# argsort()函数是将矩阵中的元素从小到大排列,提取其对应的index(索引),然后输出到y。
# 50000个值进行排序,本质上是根据相似度排序
# -sim即把矩阵中的所有值变成负数,再从小到大排序,本质上是从大到小排序,取下标1到top_k+1,因为0是这个词本身,其余top_k个词是与这个词最接近的8个词的编号
# 那么输入的8个词就是按相似度从大到小输出的了,如果用sim画,后面会面临顺序反了的问题
nearest = (-sim[i, :]).argsort()[1:top_k+1] # 计算每一个验证单词相似度最接近的前8个单词
# nearest = (sim[i, :]).argsort()[49991:49999] # 这时的nearest的顺序是相反的
log_str = "与单词 {} 最相似的: ".format(str(valid_word))
for k in range(top_k):
close_word = reverse_dictionary[nearest[k]] # 相似度高的单词
log_str = "%s %s, " % (log_str, close_word)
print(log_str)
final_embeddings = normalized_embeddings.eval() # 最终的嵌入词向量
# 这里暂不了解
# 10.可视化Word2Vec效果
def plot_with_labels(low_dim_embs, labels, filename = "tsne.png"):
# assert是如果满足条件,则继续运行,否则抛出AssertionError错误
assert low_dim_embs.shape[0] >= len(labels), "标签数超过了嵌入向量的个数!!"
plt.figure(figsize=(20, 20))
for i, label in enumerate(labels):
x, y = low_dim_embs[i, :]
plt.scatter(x, y)
plt.annotate(
label,
xy = (x, y),
xytext=(5, 2),
textcoords="offset points",
ha="right",
va="bottom"
)
plt.savefig(filename)
from sklearn.manifold import TSNE
tsne = TSNE(perplexity=30, n_components=2, init="pca", n_iter=5000)
plot_only = 100
low_dim_embs = tsne.fit_transform(final_embeddings[:plot_only, :])
Labels = [reverse_dictionary[i] for i in range(plot_only)]
plot_with_labels(low_dim_embs, Labels)
plt.show()
"""
第142000轮迭代后的损失为:4.46674475479126
第144000轮迭代后的损失为:4.460033647537231
第146000轮迭代后的损失为:4.479593712329865
第148000轮迭代后的损失为:4.463101862192154
第150000轮迭代后的损失为:4.3655951328277585
与单词 can 最相似的: may, will, would, could, should, must, might, cannot,
与单词 were 最相似的: are, was, have, had, been, be, those, including,
与单词 is 最相似的: was, has, are, callithrix, landesverband, cegep, contains, became,
与单词 been 最相似的: be, become, were, was, acuity, already, banded, had,
与单词 new 最相似的: repertory, rium, real, ursus, proclaiming, cegep, mesoplodon, bolster,
与单词 their 最相似的: its, his, her, the, our, some, these, landesverband,
与单词 when 最相似的: while, if, where, before, after, although, was, during,
与单词 of 最相似的: vah, in, neutronic, widehat, abet, including, nine, cegep,
与单词 first 最相似的: second, last, biggest, cardiomyopathy, next, cegep, third, burnt,
与单词 other 最相似的: different, some, various, many, thames, including, several, bearings,
与单词 its 最相似的: their, his, her, the, simplistic, dativus, landesverband, any,
与单词 from 最相似的: into, through, within, in, akita, bde, during, lawless,
与单词 would 最相似的: will, can, could, may, should, might, must, shall,
与单词 people 最相似的: those, men, pisa, lep, arctocephalus, protectors, saguinus, builders,
与单词 had 最相似的: has, have, was, were, having, ascribed, wrote, nitrile,
与单词 all 最相似的: auditum, some, scratch, both, several, many, katydids, two,
"""