node2vec python_【图嵌入】DeepWalk 和 Node2Vec

DeepWalk

与词嵌入类似，图嵌入基本理念是基于相邻顶点的关系，将目的顶点映射为稠密向量，以数值化的方式表达图中的信息，以便在下游任务中运用。

Word2Vec根据词与词的共现关系学习向量的表示，DeepWalk受其启发。它通过随机游走的方式提取顶点序列，再用Word2Vec模型根据顶点和顶点的共现关系，学习顶点的向量表示。可以理解为用文字把图的内容表达出来，如下图所示。

DeepWalk训练图表示的整个过程大致可以分为2步：

随机游走提取顶点序列

使用skip-gram学习顶点嵌入

Node2Vec

DeepWalk不适用于有权图，它无法学习边上的权重信息。Node2Vec可以看作DeepWalk的扩展，它学习嵌入的过程也可以分两步：

二阶随机游走(\(2^{nd} \quad order \quad random \quad walk\))

使用skip-gram学习顶点嵌入

可以看到与DeepWalk的区别就在于游走的方式，在二阶随机游走中，转移概率 \(\pi_{vx}\) 受权值 \(w_{vx}\) 影响(无权图中\(w_{vx}\)为1)：

\[\pi_{vx}=\alpha_{pq}(t,x) \cdot w_{vx}

\]

其中，

\[\alpha_{pq}(t,x)=\left\{

\begin{aligned}

\frac{1}{p}, \quad & if\quad{d_{tx}=0} \1, \quad & if\quad{d_{tx}=1} \\frac{1}{q}, \quad & if\quad{d_{tx}=2}

\end{aligned}

\right.

\]

\(\alpha_{pq}\) 的取值由 \(p\) 和 \(q\) 决定，\(d_{tx}\) 是顶点 \(t\) 和 \(x\) 的最短路径。

\(d_{tx}=0\)说明\(x\)就是\(t\)，\(d_{tx}=1\)说明\(x\)和\(t\)邻接，\(d_{tx}=2\)说明\(x\)和\(t\)不是邻接的。

算法通过\(p\)、\(q\)两个超参数来控制游走到不同顶点的概率。以下图为例，图中阐述了从上一顶点 \(t\) 游走到当前顶点 \(v\)，准备估计如何游走到下一个顶点的过程。

\(q\)：控制“向内”还是“向外”游走。若\(q > 1\)，倾向于访问与 \(t\) 接近的顶点，若 \(q<1\) 则倾向于访问远离 \(t\) 的顶点。

\(p\)：控制重复访问刚刚访问过的顶点的概率。若设置的值较大，就不大会刚问刚刚访问过的顶点。若设置的值较小，那就可能回路返回一步。

还有一个值得注意的地方，与DeepWalk不同，Node2Vec在提取顶点序列时，不再是简单地随机取邻居顶点，而是采用了Alias算法。

Alias采样是为了加快采样速度，初始化后的采样时间复杂度为\(O(1)\)，但需要存储 accept 和 alias 两个数组，空间复杂度为\(O(2N)\)。这里简单介绍一下。

给定如下离散概率分布，有 \(N\)个 (这里是4)可能发生的事件。每列矩形面积表示该事件发生的概率，柱状图中所有矩形的面积之和为 1。

将每个事件的发生的概率乘以 \(N\)，此时会有部分矩形的面积大于1，部分矩形的面积小于1。切割面积大于1的矩形，填补到面积小于1的矩形上，并且每一列至多由两个事件的矩形构成，最终组成一个面积为 \(1\times N\) 的矩形。

再根据这个矩形，转换成相应的Accept表和Alias表。

Node2Vec在随机游走之前会进行初始化，获取 alias_nodes 和 alias_edges 。alias_nodes 存储每个顶点决定下一个访问的点所需要的alias表，alias_edges则存储由\((t, v)\)边访问到顶点\(v\)的时候决定下一个访问点所需要的alias表。

后面就跟DeepWalk一样了，但是原作者在训练Word2Vec模型的时候，没有采用层次Softmax。

代码

https://gitee.com/dogecheng/python/blob/master/graph/DeepWalk_and_Node2Vec.ipynb

DeepWalk 可视化

Node2Vec 可视化

参考资料