Graph Embedding模型【Struc2Vec】学习笔记

概要

struc2vec模型的基本思想：网络图中的相似结构的节点具有相似性。如图所示，节点u和节点v具有相似的结构，但是它们在图中可能相距很远。struc2vec则利用这种图结构信息训练出节点的隐含信息表示。

struc2vec根据节点在图中的结构信息评估节点的相似性，包含它的边关系、邻接节点的位置、标签等信息。struc2vec模型不要求图是连通图，即若两个节点不连通，只要在网络图中的结构信息相似即可。

构建分层体系测量结构的相似性，允许渐进地对结构上的相似性有更严格的定义。例如，在分层底部，结构相似依赖节点的度，在分层顶部，则依赖整个网络（从节点的角度）。

为节点生成随机的上下文。通过加权随机遍历多层图(而不是原始网络)观察到结构相似的节点序列。因此，经常出现在相似上下文中的两个节点可能具有相似的结构。语言模型可以利用这种上下文来学习节点的潜在表示。

Struc2Vec模型

Struc2Vec的两个目标：

• 两个节点的表示向量的距离和两个节点的结构相似有很强的关联，不同结构的两个节点的距离应该尽可能远。
• 节点的向量表示和任何节点以及节点标签和边的属性没有关系。

Struc2Vec模型分为四个主要步骤：

1. 对于不同的邻域大小，确定图中每个顶点对之间的结构相似性。在节点之间的结构相似度度量中引入了一个层次结构，提供了更多的信息来评估层次结构的每个级别的结构相似度。
2. 构造一个加权的多层图，其中网络中的所有节点都呈现在每一层中，每一层对应于层次结构的一个层次来度量结构相似性。并且各层内每个节点对之间的边权值与其结构相似性成反比。
3. 使用多层图为每个节点生成上下文。特别地，在多层图上使用有偏随机游走来生成节点序列。这些序列可能包括结构更相似的节点。
4. 应用一种技术来学习由节点序列所给出的上下文的潜在表示，例如Skip-Gram。

如何计算节点的结构相似度

模型的第一步就是计算节点之间的结构相似度。论文引入分层结构计算两个节点之间的结构相似度，具体的：$$f_k(u,v)=f_{k-1}(u,v)+g(s(R_k(u)),s(R_k(v)))（式1）$$其中$k⩾0$并且$|R_k(u)|,|R_k(v)|>0$。$g(D_1,D_2)\ge 0$表示节点的有序度序列$D_1$，$D_2$之间的距离，且$f_{-1}=0$。当节点$u$和$v$的$k$阶邻接节点是同构的，则$f_{k-1}(u,v)=0$。

可知（式1）是一个递归式，$f_{-1}=0$，想要求$f_k(u,v)$，则需要求出$g(s(R_k(u)),s(R_k(v)))$，即节点$u$和$v$的有序度序列之间的距离。因为节点$u$和$v$的k阶邻接节点的个数可能不一样，导致它们的有序度序列长度也可能不一样，所以论文采用动态时间规整(Dynamic Time Warping，简称DWT)计算。

对于序列中元素之间的距离论文中采用$$d(a,b)=\frac{max(a,b)}{min(a,b)}-1$$其中$a$属于节点$u$的有序度序列中的元素，$b$属于节点$v$的有序度序列中的元素。例如度为1和2的差异为$\frac{2}{1}-1=1$，而度为101和102的差异为$\frac{102}{101}-1=0.0099$，它们的结果是符合我们预期的。这个距离函数的定义可以根据特定的需求自己定义。

构造多层带权图

构建多层带权图的目的是为了编码节点之间的结构相似度。

论文定义每一层$k\in (0,1,..,k^{\ast })$节点之间的权重为$$w_k(u,v)=e^{-f_k(u,v)},k=0,1,..,k^{\ast }$$根据（式1）可知，$f_k(u,v)\ge 0$，则$w_k(u,v)\in (0,1]$。当且仅当节点的距离为0（即$f_k(u,v)=0$）时边权重等于1。同一层节点之间的边是无向的。

不同层次上的同一顶点论文中使用有向边进行连接。则每一层$k$中的每个节点$u$都和该节点$u$在上一层($k-1$)和下一层($k+1$)进行连接。其边的权重定义为：$$w(u_k,u_{k+1})=log({\Gamma }_k(u)+e),k=0,1,...,(k^{\ast }-1)$$$$w(u_k,u_{k-1})=1$$其中${\Gamma }_k(u)$是第$k$层与节点$u$相连的边的权重大于第$k$层所有边权重平均值的边的数量。其公式为$${\Gamma }_k(u)=\sum _{v\in V}1(w_k(u,v)>\overline{w_k})$$其中${\overline{w}}_k$是第$k$层所有边权的平均值，${\overline{w}}_k=\frac{{\sum }_{(u,v)}{w}_k(u,v)}{n}$，$n$为$k$层边的数量。

构建节点序列

上一步构造了多层图，计算了节点间的结构相似度（仅仅依赖于节点的度，不包含节点任何的标签信息），构造节点序列论文采用的是有偏随机游走策略，根据多层图的边权重随机游走的概率。而在每一步游走之前需要先判断是否需要改变当前层游走，这个判断是根据一个概率$q$，（论文中并没有将这个概率是超参还是训练得到）。

当概率$q>0$，随机游走保留着当前层，并且从节点$u$到$v$的游走概率为：$$p_k(u,v)=\frac{e^{-f_k(u,v)}}{Z_k(u)}$$其中$Z_k(u)$为归一化因子，$Z_k(u)={\sum }_{v\in V,v\ne u}{e}^{-f_k(u,v)}$。有概率公式可知，游走会更加偏向结构相似的节点。

当概率$q<0$,随机游走会改变层进行游走，而改变到$(k-1)$层还是$(k+1)$层，则根据节点$u_k$到$u_{k-1}$、$u_{k+1}$的概率决定：$$p_k(u_k,u_{k+1})=\frac{w(u_k,u_{k+1})}{w(u_k,u_{k+1})+w(u_k,u_{k-1})}$$$$p_k(u_k,u_{k-1})=1-p_k(u_k,u_{k+1})$$

语言模型

在上一步中构建了节点的序列之后，便是利用节点序列训练生成节点的向量表示。论文采用的是Skip-Gram模型。

对模型复杂度的优化

1、 减少有序度序列的长度
虽然在$k$层的有序度序列界限为$min(d_{max}^k,n)$，其中$d_{max}^k$表示第$k$层的最大度数，但是对于某些图来说，即使$k=3$，其空间复杂度为$O(n)$。论文的解决方案是对序列进行压缩存储，统计每个序列中度数出现的次数，形成**（度数、出现次数）**的二元组，因为网络中有很多相同度数的节点。然后修改DTW距离计算函数$$dist(a,b)=(\frac{max(a_0,b_0)}{min(a_0,b_0)}-1)max(a_1,b_1)$$其中 $a_0,b_0$为度数， $a_1,b_1$ 为度的出现次数。

2、减少节点对相似度计算的次数
原框架中每一层中的任意两个节点对都需要计算其结构相似度。然而两个不同度数的节点（如度数为2和20）即使$k=0$其机构相似距离也很大，因此最后得到的边的权重很小。故这种节点对的相似度计算是没有意义。

论文给的方案是只计算节点度数接近的节点对$(u,v)$的相似度，如何找到节点$u$度数接近的节点$v$？在对应节点$u$的有序度序列中使用二分查找获取度数接近的节点。这个过程的时间复杂度为$O(logn)$，所以总的时间复杂度为$O(nlogn)$。

3、减少多层图的层数
多层图的层数由原图谱的“直径”$k^{\ast }$决定，对很多图来说，图的直径会远远大于顶点之间的平均距离。当层数$k$接近“直径”$k^{\ast }$时，环上的度序列长度相对变短了，因此$f_k(u,v)$和$f_{k-1}(u,v)$也变得更接近了。故将层数$k^{\prime }$限制在$k^{\prime }<k^{\ast }$。使用最重要的一些层来评估结构相似度。

总结

struc2vec模型完全是利用图的结构信息训练节点的向量表示，没有利用节点的任何标签信息。在实际运用中这可以是一个优化方案。

相对于DeepWalk和Node2Vec来说，Struc2Vec是从另一个角度出发构造节点序列。更加侧重节点的同构信息。

如有理解不对的地方，欢迎留言指正，谢谢！

论文地址