呆萌的图模型学习——使用networkx计算node2vec，得到节点与边的embedding(三)

networkx基本操作请参考：[呆萌的图模型学习——图基本信息 & Networkx基本操作(二)](呆萌的图模型学习——图基本信息 & Networkx基本操作(二))
node2vec github 地址：https://github.com/eliorc/node2vec

算法思路

xxx to vec是一段时期的产物，传说当年首先出了一个word2vec模型，

word2vec：把一句话先分词，然后在一句话中以词为基本单位，通过随机游走的方式在词与相邻的词之间跳来跳去，生成多个等长的序列，用这样的一堆序列，使用skipgram来训练模型，最后每个词都有embedding，相似的embedding同时还代表有相似的语义

之后，大家发现这种神奇的操作，然后那这个思路套在不同的场景下，套在图模型下就有了node2vec

node2vec：在图上使用随机游走（等概率到相邻节点），在节点间跳来跳去，生成多个等长的序列，最后用skipgram训练模型，每个节点就有了embedding

示例代码

import networkx as nx
import os


def generate_network():
    """构建图的操作"""
    # 构建一个图，包括三个群落，分别包裹5，12，13个节点
    gen_network: nx.Graph = nx.generators.community.random_partition_graph([5, 12, 13], .25, .1, seed=0)
    return gen_network


def node_2_vec(graph: nx.Graph = None):
    """根据图，计算node2vec与边的embedding"""
    from node2vec import Node2Vec
    from node2vec.edges import HadamardEmbedder
    from gensim.models import Word2Vec
    from gensim.models import KeyedVectors
    node2vec_model_save_path = "node2vec_model"
    node2vec_edge_save_path = "edge_model"
    node_kv = None
    edges_kv = None
    # 根据图模型创建node2vec，并导出Word2vec向量

    if os.path.exists(node2vec_model_save_path):
        node_kv = Word2Vec.load(node2vec_model_save_path)
    else:
        node2vec_model = Node2Vec(graph, workers=1, dimensions=16)  # 训练node2vec
        node_kv = node2vec_model.fit(window=10, min_count=1, batch_words=4)
        node_kv.save(node2vec_model_save_path)  # 保存模型
        # word2vec_model.wv["节点名"]
    # 根据node2vec计算edge2vec
    if os.path.exists(node2vec_edge_save_path):
        edges_kv = KeyedVectors.load(node2vec_edge_save_path)
    else:
        edges_embs = HadamardEmbedder(keyed_vectors=node_kv.wv)  # 根据node2vec训练边的vec
        edges_kv = edges_embs.as_keyed_vectors()
        edges_kv.save(node2vec_edge_save_path)
    return node_kv, edges_kv


if __name__ == '__main__':
    generate_graph = generate_network()
    node_vec, edge_vec = node_2_vec(graph=generate_graph)
    print("节点的embedding", node_vec.wv[1])
    print('边的embedding', edge_vec['(\'23\', \'27\')'])