Node2Vec实战

数据结构

两个两个连接的节点

1 2
2 3
4 5

主程序构建

G = nx.read_edgelist('../data/text.txt',create_using=nx.DiGraph(), nodetype=None, data=[('weight', int)])
## 构建模型
model = Node2Vec(G, walk_length=10, num_walks=80,p=0.25, q=4, workers=1, use_rejection_sampling=0)
## 训练
model.train(embed_size=4, window_size=5, iter=3)
embeddings = model.get_embeddings()
print(embeddings)

初始生成节点到节点的概率

def preprocess_transition_probs(self):'''Preprocessing of transition probabilities for guiding the random walks.'''####get_alias_edge这个函数是对每条边设定为二阶randomwalk的概率形式###这个函数的作用是生成每个边界的概率，同时会有alias_setup这个函数将概率进行转换，方便后面抽样G = self.Gis_directed = self.is_directedalias_nodes = {}for node in G.nodes():unnormalized_probs = [G[node][nbr]['weight'] for nbr in sorted(G.neighbors(node))]#读取每个邻点权重norm_const = sum(unnormalized_probs)###权重求和，作为公式中正则项常数的那个分母normalized_probs =  [float(u_prob)/norm_const for u_prob in unnormalized_probs]###除以分母alias_nodes[node] = alias_setup(normalized_probs)alias_edges = {}triads = {}if is_directed:for edge in G.edges():alias_edges[edge] = self.get_alias_edge(edge[0], edge[1])else:for edge in G.edges():alias_edges[edge] = self.get_alias_edge(edge[0], edge[1])alias_edges[(edge[1], edge[0])] = self.get_alias_edge(edge[1], edge[0])self.alias_nodes = alias_nodesself.alias_edges = alias_edgesreturn

get_alias_edge是得到节点到节点的概率

def get_alias_edge(self, src, dst):####二阶ramdom walk#src是随机游走序列中的上一个节点，dst是当前节点'''Get the alias edge setup lists for a given edge.'''G = self.Gp = self.pq = self.qunnormalized_probs = []for dst_nbr in sorted(G.neighbors(dst)):if dst_nbr == src:unnormalized_probs.append(G[dst][dst_nbr]['weight']/p)elif G.has_edge(dst_nbr, src):unnormalized_probs.append(G[dst][dst_nbr]['weight'])else:unnormalized_probs.append(G[dst][dst_nbr]['weight']/q)norm_const = sum(unnormalized_probs)normalized_probs =  [float(u_prob)/norm_const for u_prob in unnormalized_probs]return alias_setup(normalized_probs)

alias_setup ：输入概率，得到对应的两组数，方便后面的抽样调用

def alias_setup(probs):'''alias_setup的作用是根据二阶random walk输出的概率变成每个节点对应两个数，被后面的alias_draw函数所进行抽样'''K = len(probs)q = np.zeros(K)J = np.zeros(K, dtype=np.int)smaller = []larger = []for kk, prob in enumerate(probs):q[kk] = K*probif q[kk] < 1.0:smaller.append(kk)else:larger.append(kk)##kk是下标，表示哪些下标小while len(smaller) > 0 and len(larger) > 0:small = smaller.pop()##smaller自己也会减少最右边的值large = larger.pop()J[small] = largeq[large] = q[large] + q[small] - 1.0if q[large] < 1.0:smaller.append(large)else:larger.append(large)return J, q

alias_draw 抽样函数

def alias_draw(J, q):'''Draw sample from a non-uniform discrete distribution using alias sampling.'''K = len(J)kk = int(np.floor(np.random.rand()*K))if np.random.rand() < q[kk]:return kkelse:return J[kk]

node2vec_walk就是对于给定的长度，对于开始节点开始模拟这个节点的路径，涉及的函数都在上面提及

def node2vec_walk(self, walk_length, start_node):'''Simulate a random walk starting from start node.'''G = self.Galias_nodes = self.alias_nodesalias_edges = self.alias_edgeswalk = [start_node]######alias_draw这个函数是等于是根据二阶random walk概率选择下一个点while len(walk) < walk_length:cur = walk[-1]cur_nbrs = sorted(G.neighbors(cur))###G.neighbors(cur)得到cur一级关联的节点if len(cur_nbrs) > 0:if len(walk) == 1:####cur[0]walk.append(cur_nbrs[alias_draw(alias_nodes[cur][0], alias_nodes[cur][1])])else:prev = walk[-2]next = cur_nbrs[alias_draw(alias_edges[(prev, cur)][0], alias_edges[(prev, cur)][1])]walk.append(next)else:breakreturn walk

Node2Vec实战相关推荐

手撕图机器学习，图神经网络
手撕图机器学习,图神经网络写在前面 & 配套链接(访者必读) 图的基本表示图的基本参数图的类别节点连接数(Node degree) 图的矩阵表示(邻接矩阵) 连接列表和邻接列表其他图 ...
论文｜Node2vec算法原理、代码实战和在微信朋友圈的应用
1 概述 Node2vec是2016年斯坦福教授 Jure Leskovec.Aditya Grover提出的论文,论文的下载链接为:https://arxiv.org/pdf/1607.00653. ...
7天搞定图神经网络，实战助力新冠疫情防控！
要问这几年一直在逆势而上的技术有哪些?你一定不会忽略它--图神经网络. 相比传统神经网络,图神经网络的优势非常明显: 1.非顺序排序的特征学习:GNN的输出不以节点的输入顺序为转移的. 2.两个节点之 ...
B.图算法：图学习之项目实践(UniMP算法实现论文节点分类、新冠疫苗项目实战，助力疫情)[系列九]
图学习图神经网络算法专栏简介:主要实现图游走模型(DeepWalk.node2vec):图神经网络算法(GCN.GAT.GraphSage),部分进阶 GNN 模型(UniMP标签传播.ERNIESa ...
【CS224W】(task4/5)图嵌入表示学习（Deepwalk、Node2vec）更新中
note Node embedding的基本框架:encoder+decoder 最简单encoder是embedding-lookup表:ENC(v)=zv=Z⋅v\mathrm{ENC}(v)=z ...
PyG基于Node2Vec实现节点分类及其可视化
文章目录前言一.导入相关库二.加载Cora数据集三.定义Node2Vec 四.定义模型五.模型训练六.可视化完整代码前言大家好,我是阿光. 本专栏整理了<图神经网络代码实战&g ...
图机器学习【从理论到实战】
图机器学习 1.图机器学习导论 1.1图神经网络与普通神经网络的异同 2.图的基本表示和特征工程 2.1 图的基本表示 2.1.1 图的本体设计 2.1.2 图的种类 2.1.3节点连接数(度) 2. ...
推荐系统[八]算法实践总结V0：淘宝逛逛and阿里飞猪个性化推荐：召回算法实践总结【冷启动召回、复购召回、用户行为召回等算法实战】
搜索推荐系统专栏简介:搜索推荐全流程讲解(召回粗排精排重排混排).系统架构.常见问题.算法项目实战总结.技术细节以及项目实战(含码源) 专栏详细介绍:搜索推荐系统专栏简介:搜索推荐全流程讲解(召回粗排 ...
IDEA的Docker插件实战(Dockerfile篇)
IDEA的Docker插件实战(Dockerfile篇) IntelliJ IDEA的Docker插件能帮助我们将当前工程制作成Docker镜像.运行在指定的远程机器上,是学习和开发阶段的好帮手,本文 ...
数据结构（04）— 线性顺序表实战
1. 设计思路本实战的实质是完成对学生成绩信息的建立.查找.插入.修改.删除等功能,可以首先定义项目的数据结构,然后将每个功能写成一个函数来完成对数据的操作,最后完成主函数以验证各个函数功能并得出运 ...

Node2Vec实战

Node2Vec实战

数据结构

主程序构建

初始生成节点到节点的概率

Node2Vec实战相关推荐

最新文章

热门文章