传统图生成方法

系列文章
《Graph Representation Learning》笔记 Chapter2
《Graph Representation Learning》笔记 Chapter3
《Graph Representation Learning》笔记 Chapter4
《Graph Representation Learning》笔记 Chapter5
《Graph Representation Learning》笔记 Chapter6

传统方法概述

我们可以将生成过程指定为计算 $P(A[u,v]=1)$ 的可能性，即两节点 $u$ 和 $v$ 是否存在边缘的概率。

Erdos-Renyi(ER) 模型

该模型定义两节点出现边缘的可能性为
$$P(A[u,v]=1)=r,\forall u,v\in \mathcal{V},u\ne v$$
其中， $r\in [0,1]$ 为控制图密度的参数。因为所有边缘的概率是独立的，所以时间复杂度为 $O(|\mathcal{V}{|}^2)$

随机块模型( stochastic block models, SBMs )

SBM 指定了 $\gamma$ 个不同的块 ${\mathcal{C}}_1,...,{\mathcal{C}}_{\gamma }$ ，每个节点 $u\in \mathcal{V}$ 属于块 $i$ 的概率记为 $p_i=P(u\in {\mathcal{C}}_i),\forall u\in \mathcal{V},i=1,...,\gamma$ , ${\sum }_{i=1}^{\gamma }{p}_i=1$ 。
SBM 的生成步骤如下所示

1. 对于所有节点 $u\in \mathcal{V}$ ，依据 $p_i$ 将其分配至 ${\mathcal{C}}_i$ 中
2. 对于所有的节点对 $u\in C_i$ 并且 $v\in {\mathcal{C}}_j$ ，根据如下公式对边缘进行采样

$$P(A[u,v]=1)=C[i,j]$$
$C[i,j]$ 表示连接 ${\mathcal{C}}_i$ 和 ${\mathcal{C}}_j$ 的边缘出现的概率， $C[i,i]=\alpha ,i=1,...,\gamma$ ， $C[i,j]=\beta ,i,j=1,...,\gamma ,i\ne j$ ，其中 $\beta <\alpha$ 。

优先连接( preferential attachment, PA ) 模型

PA 模型假设许多真实图存在幂率度分布，即节点度为 $d_u$ 的概率遵循下面的式子
$$P(d_u=k)\propto k^{-\alpha }$$
其中， $\alpha >1$ 为常数。 上述分布为长尾分布，说明真实图中的很多节点有着很小的度，很少节点有着很大的度。
PA 模型的步骤如下所示

1. 初始化生成由 $m_0$ 个节点组成的全连接矩阵
2. 迭代的添加 $n-m_0$ 个节点进入图中。对于每一个在第 $t$ 轮新加入的节点 $u$ ，将它与 $m<m_0$ 个存在节点相连接， $m$ 个邻居节点依据下面的式子选择
   $$P(A[u,v])=\frac{d_v^{(t)}}{{\sum }_{v^{\prime }\in {\mathcal{V}}^{(t)}}{d}_{v^{\prime }}^{(t)}}$$
   其中 $d_v^{(t)}$ 代表第 $t$ 轮节点 $v$ 的度， ${\mathcal{V}}^{(t)}$ 代表第 $t$ 轮图中存在的节点集。

直观来讲，高度的节点会趋向与聚集更多的节点。