CS224W 3.2-Motifs and Structural Roles in Networks

上一节课 CS224W 3.1-Motifs and Structural Roles in Networks, 学习到了配置用于对比作用的随机图，

还有一种配置方式

img

• 从一个给定的初始图开始

• 每一步随机挑选一对edges然后改变edge所对应的终止节点

• 重复下去

比如将

img

A-B,C-D改为A-D,C-B（做一个cross）

• 迭代次数（做cross次数）足够多的话可以保证收敛。

• 整个过程所有节点保持不变的degree，但是图变得越来越random

那么我们怎么确定得到的model是一个足够好的model？--取决于你要做什么。

这里我们kept节点个数、边个数等去match真实网络。

现在我们回顾一下找模块的步骤：

img

那么需要生成多少个随机图？---基本上是成千上万，甚至更多（也取决于真实图的大小）

当然对于模块的定义和度量形式也有很多其他的表示方式：

img

Graphlet：node feature vectors

前面学习了模块，用来从局部来窥探整个图的结构，在学习整个图的结构之前，我们现在开始看看一个节点周围(neiborhood)网络的结构是什么样的，学习用graphlets来描述节点的特征，描述给定节点周围的网络结构。

什么是graphlet？--连通的非同构子图

• 同构图：如果能够通过重新标记图G的顶点而产生图H，则称两个图G和H是同构图

• 可以理解为两个图之间存在双向映射

• 如果两个图是同构的，不取决于两个图是怎么画的，也不取决于如何标记顶点。

• 图G和H是同构的，那么它们的阶相同，大小相同，各顶点度数也对应相同

• 可以理解edges是具有弹性的绳子，同构表示，节点固定，对G“扯一扯”绳子即可变换成H#

img

我们用graphlets来作为一个在节点层面的子图度量

我们回顾一下什么是degree

degree是一个节点上的边的个数

现在把degree的概念推广到graphlets上--graphlet degree vector：一个节点touch的graphlets的个数。

graphlets考虑的是连通的非同构子图，非同构指的是不同子图之间的关系，但是我们要考虑子图自身的性质--自同构

自同构可以视为图G和G的同构

最初等的理解：对称

img

• 看上图中给定节点v，v所touch的子图为形式a的有两个，b的有一个，注意到c是0个（因为G中节点之间是连接的，并不像c这样），将v作为d节点的子图有两个

• 所以graphlet度向量表示的是给定节点touch的给定轨迹的子图个数

现在学习如何找motifs和graphlets

这里涉及两个步骤：（1）列举所有size-k连通的子图 （2）数每一个子图类型出现的次数

look at这两个步骤就可以看出来工作量很大

所以基本上可行的模块(motif)规模是比较小的：3--8

首先看第一步：列举

这里主要介绍exact subgraph enumeration（参见Wernicke2006的paper）

ESU的步骤

这张树结构图很明了的介绍了esu的思想

完成了第一步：列举，下面就是第二步：数每个类型子图出现次数

img

在数个数这一个步骤存在一个问题：如何分类---即要把子图分为不同构的类型（同构的图属于一个类型）---用的是McKay的nauty algorihtm，具体参见以下网站

The nauty Traces pageusers.cecs.anu.edu.au

这节课也提到了同构：图G和图H是同构的，如果存在双射f，使得在G中相邻的节点在H中也是相邻的。

从定义上看检验两个图是否同构核心在于找到这个映射f，但是实际操作上等于要对每两两节点要去判断，计算量是很大的。

---

Structural Roles in Networks

这节课的最后一部分：关于roles。

如同在公司里根据每个人的职责和工作性质决定了每个人的角色
那么在网络中也需要根据节点的结构表现来决定其角色（role）

img

这里要注意区分role（角色）和group的概念：

• role是根据在network中相似的功能来决定：例如公司中作为测试工程师的每个人，因为做着相似的工作所以扮演相同的role，可是在公司这个network中，这些人不一定互相连接。即role取决于相似性而不是相互连接性

• group/community则是互相连接的个体（节点），核心在于连接性

举个例子：学生、教师这是role，AI实验室、 Info实验室这是group/community

roles和groups是一种互补的概念

img

更正式的描述

结构等价性（structural equivalence)--两个节点称为结构等价的，如果它们和所有其他节点都有着相同的关系

这是从社会网络中引用过来的一个概念

img

发现网络中的结构角色(roles)

为什么roles重要？下图给了很详细的说明

img

那么怎么去发现网络中的roles？这里介绍RoIX

RoIX是一种无监督学习方式来自动探测网络中节点的结构角色，具备以下优点：

• 无需先验信息

• 给每个节点分配a mixed-membership of roles

img

根据上图来分析

• step 1：输入节点信息

• step 2: 递归特征提取

• step 3: 得到节点特征矩阵（例如度、平均权重等）

• step 4: 提取role

• step 5: 输出节点角色矩阵和角色特征矩阵

下图展示了输入和输出

img

那么要重点讲解的就是第二步的递归特征提取和第四步的角色提取

（1） 递归特征提取(recursive feature extraction)

img

斯坦福CS224W往期课程解读

CS224W 图机器学习 1.1 介绍

图机器学习 2.1 Properties of Networks, Random Graph

图机器学习 2.2-2.4 Properties of Networks, Random Graph√√√

CS224W-6-message passing and node classification 第1部分

CS224W-6-message passing and node classification 第2部分

CS224W-6-message passing and node classification 第3部分

CS224W 7.1 Graph Representation Learning

CS224W 7.2 Graph Representation Learning

Cs224W 8.1-Graph Neural Network

CS224W 8.2-Graph Neural Network

CS224W 10.1-Deep Generative Models for Graphs

CS224W 18.1-Limitations of Graph Neural Network

更多关于图神经网络/图表示学习/推荐系统, 欢迎关注我的公众号 【图与推荐】