【Datawhale图机器学习】半监督节点分类：标签传播和消息传递

半监督节点分类：标签传播和消息传递

半监督节点分类问题的常见解决方法：

• 特征工程
• 图嵌入表示学习
• 标签传播
• 图神经网络

基于“物以类聚，人以群分”的Homophily假设，讲解了Label Propagation、Relational Classification（标签传播）、Iterative Classification、Correct & Smooth（C & S）、Loopy Belief Propagation（消息传递）、Masked Lable Prediction等半监督和自监督节点分类方法。这些方法经常被用于节点分类任务的Baseline比较基线。消息传递和聚合的思路也影响了后续图神经网络的设计。

半监督节点分类 Transductive 直推式学习<->Inductive 归纳式学习

半监督节点分类问题求解思路

• 节点特征工程
• 节点表示学习（图嵌入）
• 标签传播（消息传递）
• 图神经网络

半监督节点分类问题-求解方法对比

方法	图嵌入	表示学习	使用属性特征	使用标注	直推式	归纳式
人工特征工程	是	否	否	否	/	/
基于随机游走的方法	是	是	否	否	是	否
基于矩阵分解的方法	是	是	否	否	是	否
标签传播	否	否	是/否	是	是	否
图神经网络	是	是	是	是	是	是

• 人工特征工程：节点重要度、集群系数、Graphlet等。

• 基于随机游走的方法，构造自监督表示学习任务实现图嵌入。无法泛化到新节点。

  例如：DeepWalk、Node2Vec、LINE、SDNE等。

• 标签传播：假设“物以类聚，人以群分”，利用邻域节点类别猜测当前节点类别。无法泛化到新节点。

  例如：Label Propagation、Iterative Classification、Belief Propagation、Correct & Smooth等。

• 图神经网络：利用深度学习和神经网络，构造邻域节点信息聚合计算图，实现节点嵌入和类别预测。

  可泛化到新节点。

  例如：GCN、GraphSAGE、GAT、GIN等。

标签传播和集体分类

• Label Propagation（Relational Classification）
• Iterative Classification
• Correct & Smooth
• Belief Propagation
• Masked Lable Prediction

具有相似属性特征的节点更可能相连且有相同类别
具有相似属性特征的节点更可能相连且具有相同类别

社群检测算法代码

# 运行社群检测算法
from networkx.algorithms import community
communities = community.label_propagation_communities(G)

#获得每个社群的节点
node_groups = []
for com in communities:
	node_groups.append(list(com))
print(node_groups)

#每个社群的分配颜色
color_mpa = []
for node_id in G:
	if node_id in node_groups[0]:
		color_map.append('blue')
	elif node_id in node_groups[1]:
		color_map.append('red')
	else:
		color_map.append('green')

#可视化
nx.draw(G,node_color=color_map,with_labels = True)
pit.show()

参考资料

子豪兄视频：https://www.bilibili.com/video/BV1184y1G7pA/
GITHUB页面：https://github.com/TommyZihao/zihao_course/edit/main/CS224W/5-Semi.md