网站的大量图片存储格式/持啊传媒企业推广

资料：

课程网址
斯坦福CS224W图机器学习、图神经网络、知识图谱【同济子豪兄】
斯坦福大学CS224W图机器学习公开课-同济子豪兄中文精讲

图的基本表示

图是描述各种关联现象的通用语言。与传统数据分析中的样本服从独立同分布假设不一样，图数据自带关联结构，数据和数据，样本和样本之间有联系。

图神经网络是端到端的表示学习，无需人工特征工程，可以自动学习特征(类似CNN)。

图神经网络的目标是实现图嵌入，即将一个节点映射成d维向量，同时保证网络中相似的节点有相近的向量表示。这个d维向量应该包含节点在原图中的结构信息，语意信息，以方便后续的数据挖掘。

节点、连接、子图、全图都可以带有特征

不同的任务

在节点、连接、子图、全图层面，都可以进行图数据挖掘

• 节点层面的案例：如信用卡欺诈
• 连接层面的案例：如推荐可能认识的人
• 子图层面的案例：如用户聚类
• 全图层面的案例：全图层面的预测，如分子是否有毒；全图层面的生成，如生成新的分子结构

图的本体设计

图(network/graph)由节点(nodes/vertices)和连接(links/edges)组成。

节点的集合用N表示，连接的集合用E表示，整个图用G(N,E)表示。

本体图

图的设计牵涉到一个概念，本体图(Ontology)。本体图应该显示节点可能的类型，以及各类型节点(包括节点类型到其自身)之间可能存在的关系。如下图，是一个医疗领域的知识图谱的本体图。

如何设计本体图，取决于要解决的问题。如下图，例如要解决的问题是，什么疾病可以吃什么，那么疾病和食物就需要设计成节点。可以吃，不可以吃， 不推荐吃就应该设计成节点之间的关系

有时本体图是唯一、无歧义的，如社交网络
有时本体图不唯一，取决于你要研究的问题，如考虑红楼梦的家族，地点，事件等

图的种类（有向、无向、异质、二分、连接带权重）

图可以分为无向图、有向图、异质图(heterogeneous graph)、二分图。

• 无向图：对称的、双向的图。如合作关系，facebook上的好友关系
• 有向图：单向的图。如电话，Twitter上的关注
• 异质图：节点和连接可能有不同的类型，是很多论文研究的重点
• 二分图(Bipartite Graph)：节点种类是2的异质图被称为二分图。如论文作者和论文的关系、用户和商品之间的关系

二分图可以展开，如下图，在节点集U中，如果两个节点都连接到V中的同一个节点，则在图Projection U中添加一条连接。
这样就可以将二分图转化为两张各自只有一类节点的图。

节点的度(Node degree)

• 对于无向图

• • 第i个节点的度：记为$k_i$，表示与第i个节点邻接的边的数量
• • 图的平均度：$\bar{k}=⟨k⟩=\frac{1}{N}{\sum }_{i=1}^N{k}_i=\frac{2E}{N}$

• 对于有向图

• • 入度：从别的节点指向当前节点的边的总数
• • 出度：从当前节点指向别的节点的边的总数
• • 节点的度=入度+出度
• • 图的平均度：$\bar{k}=\frac{E}{N}$

    平均入度=平均出度，因为一个出度对应的边必然对应一个入度对应的边
    入度为0的节点称为Source，出度为0的节点称为Sink

节点的度可以一定程度上反应节点的重要程度

图的基本表示-邻接矩阵

• 无向图
  如果第i个节点和第j个节点之间存在边，则邻接矩阵A的$A_{ij}$和$A_{ji}$对应的值为1

无向图对应的邻接矩阵是对称阵
如果没有自身到自身的环，则主对角线全为0

• 有向图
  如果第i个节点存在指向第j个节点之间的边，则邻接矩阵A的$A_{ij}$对应的值为1

有向图对应的邻接矩阵是非对称阵

邻接矩阵是稀疏的，如社交网络

图的基本表示-连接列表和邻接列表

如上面所示，用邻接矩阵来表示图，存在稀疏性问题，造成存储空间的浪费。

• 连接列表：只记录存在连接的边和节点
  
• 邻接列表：对于一个给定节点，只记录他指向的节点和对应的边
  

上述图是无权图，在邻接矩阵中的值非1即0，如果是带权图，则可以在邻接矩阵中将1改成权重。

图的连通性

• 无向图中
  连通图(Connected graph)：任意两个点都有一条路径可达，则称为连通图。
  不连通图虽然本身不连通，但是可以划分得到多个连通分支(connected components)。

  最大的连通分支被称为Giant Component
  孤立的节点称为Isolated node。
  不连通矩阵的邻接矩阵呈现出分块对角的形式
  如果存在一个节点将不连通图的两个连通分支连接上了，那么它会打破分块对角形式

• 有向图中
  强连通的有向图：如果任意两个节点存在有向路径可达，则称为强连通的有向图。
  弱连通的有向图：如果忽略边的方向，即将它看成无向图，此时如果图是连通的，那么这个有向图称为弱连通的。

  对于有向图，可能整体不是强连通的，但其中的某个子图是强连通的，称为强连通分支(Strongly connected components(SCC))
  E和G指向SCC，称为In-componet、D和F是由SCC出发的，称为Out-component。

传统图机器学习的特征工程-节点

• 总的思路
  本节用传统机器学习方法，做特征工程，人工设计一些特征，把节点，边，全图特征编码成d维向量，再用该向量进行后续机器学习预测。

• 1.特征工程
  抽取d个特征，编码为d维向量。本节只考虑连接特征，不考虑属性特征。

  节点自己的特征，称为属性特征(Attributes)
  节点和图中其他节点的连接关系，称为连接特征。

• 2.训练一个机器学习模型
  利用RF、SVM、NN等进行训练。

• 3.应用模型
  给定一个新的节点/链接/图，获得图她的特征并做预测。

本节主要聚焦无向图，并针对节点、边、图层面做特征工程。

节点层面的特征工程

目标：区分节点在图中的结构和位置，可考虑的(连接)特征有：节点的度(Node degree)、节点的重要度(Node centrality)、聚类系数(Clustering coefficient)、子图模式(Graphlets)

聚合系数是指，与当前节点邻接的节点是否有联系。

Node degree

Node degree只考虑了邻接节点的数量，不能反应节点的质量

Node centrality

Node centrality考虑了节点在图中的重要度。有不同的方式来对此进行建模：

• 特征向量重要度(Eigenvector centrality)
  思想：如果一个节点的邻接节点很重要，那么这个节点也很重要
  建模：
  $$c_v=\frac{1}{\lambda }\sum _{u\in N(v)}{c}_u$$

  $\lambda$是归一化系数，往往是A的最大特征值

  实现：这是一个递归问题，如何解决？
  上面公式等价于求解$\lambda \mathbf{c}=\mathbf{Ac}$

  可以发现，$\mathbf{c}$向量就是$\mathbf{A}$的最大特征值对应的特征向量
  根据perron-frobenius定理，最大特征值${\lambda }_{max}$一定为正且唯一

• Betweenness centrality
  思想：如果在任意两个节点间的最短路径中，有一个节点频繁出现，那么这个节点可以被认为是重要的
  建模：
  $$c_v=\sum _{s\ne v\ne t}\frac{\#(\text{ shortest paths betwen }s\text{ and }t\text{ that contain }v)}{\#(\text{ shortest paths between }s\text{ and }t)}$$
  

• Closeness centrality
  思想：如果一个节点到其他所有节点的路径都很短，那么这个节点可以被认为是重要的
  建模：
  $$c_v=\frac{1}{{\sum }_{u\ne v}\text{ shortest path length between }u\text{ and }v}$$
  

Clustering Coefficient

聚类系数(Clustering Coefficient)，衡量一个节点的邻接节点的连接有多紧密。
建模：
$$e_v=\frac{\#(\text{edges among neighboring nodes})}{\left(\genfrac{}{}{0ex}{}{k_v}{2}\right)}\in [0,1]$$

v节点相邻节点两两组成的节点对计入分母
如果节点对中的两个节点相邻，那么这对节点对计入分子

Graphlets

一个节点的自我网络(ego-network)是指以一个节点为中心，只包含他和他邻接节点，以及这些节点之间的边的图。
可以发现，节点v的聚类系数本质上就是计数了节点v的自我网络中以v为顶点的三角形的个数。
这个三角形可以理解为我们预先定义的一类子图。
那么如果修改这个预定义的子图类型，就可以得到新的计数特征，这个预定义的子图类型，就是我们下面要提到的graphlets。

先看看子图、生成子图、导出子图的概念：

可以看到，从原图中取一些节点，并取这些节点所有出现的边可以构成导出子图。

下面给出Graphlets的精确定义，即有根连通导出异构子图(Rooted connected induced non-isomorphic subgraphs)

上图分别展示了2节点、3节点、4节点和5节点的graphlets，共有73种。
2个节点构成的子图中，可以定义1种类型的graphlet
3个节点构成的子图中，可以定义3种类型的graphlets
…
在右上角的例子中，节点u对应的graphlets类型有0、1、2、3、5、10、11、…
聚类系数中的三角形其实就是G2对应的graphlet。

下面引入Graphlets相关的特征向量：Graphlets Degree Vector(GDV)，它一个基于给定节点，以它为根的各类graphlets的实例个数组成向量，如下面的例子。

注意，原图中没有以c为根结点的导出子图。
GDV描述了节点局部领域的拓扑结构信息，用一些已经定义好的子图模式去匹配，并计数每种模式下的数量。
比较两个节点的GDV向量，可以计算距离和相似度。
在NetworkX中，子图模式Graphlets被称为Atlas

总结

介绍的结构特征可以分为：

基于重要度的特征(描述节点中心度/重要度)：

• 节点的度
• 不同节点的重要度度量

可用于预测有影响力的节点

基于结构的特征(描述节点的邻域拓扑连接结构)：

• 节点的度
• 聚类系数
• GDV

可用于预测节点在图中的功能，桥接、枢纽、中心

传统图机器学习的特征工程-连接

连接层面的预测任务：基于已知连接去预测(补全)未知连接。
在模型训练阶段，节点对被排序，top K节点对被预测。
关键是如何设计节点对的特征。

思路1：直接提取link的特征，变成d维向量。
思路2：把link两端的d维向量拼在一起，但是这会丢失link本身连接结构信息。

link prediction task有两种情况：

1. 随机丢失连接：
   对于客观静态图，如蛋白质，分子，我们可以通过随机移除一些连接，并尝试预测它们

2. 随时间变化的连接：
   对于如论文引用、社交网络、微信好友、学术合作等图，给定一段时间$[t_0,t_0^{{}^{\prime }}]$的图，预测下一个时间段$[t_1,t_1^{{}^{\prime }}]$的一个关于边的ranked list L。
   评估的方式：先计算得到$[t_1,t_1^{{}^{\prime }}]$内真实出现的边的数量，记为$n=|E_{new}|$，然后从上面预测的列表中选出top n条边，然后计算预测的n个连接的准确率。
   $$准确率=\frac{预测的topn个连接中正确的数量}{n}$$

连接层面的特征

连接的特征可以分为三类：基于距离的特征、基于两节点局部邻域信息的特征、基于两节点全局领域信息的特征

两节点的最短路径长度

但仅考虑最短路径长度，会忽略连接的质量。如同样最短路径长度是2，A和B只有一条通路，而B和H有两条。

基于两节点局部邻域的信息

考虑两个节点v1和v2的邻接节点。

• Common neighbors：
  思路：记录共同好友个数
  公式：
  $$\left|N\left(v_1\right)\cap N\left(v_2\right)\right|$$

• Jaccard’s coefficient：
  思路：共同好友个数/两节点邻接节点的并集
  公式：
  $$\frac{\left|N\left(v_1\right)\cap N\left(v_2\right)\right|}{\left|N\left(v_1\right)\cup N\left(v_2\right)\right|}$$

• Adamic-Adar index：
  思路：共同好友是不是社牛，如果v1和v2的共同好友是社牛，那么v1和v2的联系就很廉价。
  公式：
  $$\sum _{u\in N\left(v_1\right)\cap N\left(v_2\right)}\frac{1}{\log \left(k_u\right)}$$

基于两节点的局部邻域信息的特征的缺点是：对于没有共同好友的两节点，他们的上述度量都是0。
但事实上，他们在未来可能会有连接。
而全局领域的信息度量可以解决这个缺陷。

基于两节点全局领域的信息

Katz index：
思路：计数节点u和v之间所有长度路径的加权和

可以使用图邻接矩阵的幂可以结算长度为k的路径个数
结合下图，利用数学归纳法，可以推导出$A_{uv}^l$表示节点u和v之间长度为l的路径个数。

公式：
$$S_{v_1{v}_2}=\sum _{l=1}^{\infty }{\beta }^l{A}_{v_1{v}_2}^l$$

其中，$0<\beta <1$表示折减系数
它的等价矩阵形式是(类比等比数列求和，并求无穷级数可得)：
$$(\mathbf{I}-\beta \mathbf{A}{)}^{-1}-\mathbf{I}$$
一般可以将最大特征值的倒数作为折减系数$\beta$

传统图机器学习的特征工程-全图

目标：将全图$G$的结构特点表示为一个d维特征向量$\varphi (G)$。

Bag-of-*

思路：类比NLP中的Bag-of-Words，

Bag-of-nodes.

Bag-of-node degrees

Bag-of-graphlets

注意，这里是从全图的视角去分析，所以这里的graphlets和前面在节点特征工程中提到的graphlets有两点不同：
可以存在孤立节点的graphlets
graphlets不区分根，如下图，g2对应一个graphlets，而不是两个(如果考虑根，是两个)

Graphlet Count Vector：给定一个图G，和graphlets列表$G_k=(g_1,g_2,...g_{n_k})$，Graphlet Count Vector可以定义为（向量的第i个分量可以定义为第i个graphlet在全图中的个数）：
$${\left(f_G\right)}_i=\#\left(g_i\subseteq G\right)\text{ for }i=1,2,\dots ,n_k$$
例子：

给定两个图，$G$和$G^{\prime }$，且有了它们对应的GCV，进一步，可以计算Graphlet Kernel：
$$K\left(G,G^{\prime }\right)={\mathbf{f}}_G^{\mathrm{T}}{\mathbf{f}}_{G^{\prime }}$$
它可以反应这两张图的关系。

如果两个GCV的数量级悬殊，那么则需要先对这两个特征向量作归一化：${\mathbf{h}}_G=\frac{{\mathbf{f}}_G}{\mathrm{Sum}\left({\mathbf{f}}_G\right)}$，再计算Graphlet Kernel：$K\left(G,G^{\prime }\right)={\mathbf{h}}_G{}^{\mathrm{T}}{\mathbf{h}}_{G^{\prime }}$
获取GCV在算力上是很昂贵的，在大小为n的图上对大小为k的graphlet作子图匹配，需要的时间复杂度是多项式复杂度：$O(n^k)$。
即使图节点的度被限制为$d$，复杂度也仍有$O(n{d}^{k-1})$

Weisfeiler-Lehman Kernel

由于Graphlets Kernel不够高效，下面引入更高效的Weisfeiler-Lehman Kernel。
目标：设计一个更高效的特征编码。
思路：使用邻域结构迭代式地丰富节点词库
算法实现：颜色微调
主要的步骤是：

• 1.初始化颜色
• 2.聚合邻域的颜色+对聚合后的颜色进行哈希映射：
  $$c^{(k+1)}(v)=\mathrm{HASH}\left(\left\{c^{(k)}(v),{\left\{c^{(k)}(u)\right\}}_{u\in N(v)}\right\}\right)$$
  

  哈希表由两张图共同贡献

• 3.重复执行k次2的操作，获得$c^{(K)}(v)$，根据所有出现过的颜色，统计次数，得到$\varphi (G)$
  

  $c^{(K)}(v)$中包含了K跳邻域的信息。

• 4.计算WL Kernel：$\varphi (G{)}^T\varphi (G)$

总体而言，WL Kernel的时间复杂度是O(#(edges))。

kernel methods

核方法是传统技巧学习在图层面的预测的常用方法。它的核心是如何设计Kernel而非特征向量。

Kernel $K(G,G^{\prime })$是标量，描述了数据间的相似度
核矩阵$\mathbf{K}={\left(K\left(G,G^{\prime }\right)\right)}_{G,G^{\prime }}$永远半正定，即有正的特征值。
存在特征表示$\varphi (\cdot )$使得$K\left(G,G^{\prime }\right)=\varphi (G{)}^{\mathrm{T}}\varphi \left(G^{\prime }\right)$
一定kernel确定了，现成的机器学习模型，如Kernel SVM就可以用来预测。

Node Embeddings-图嵌入表示学习

图表示学习减轻了做特征工程的工作。
映射得到的向量具有低维(向量维度远小于节点数)、连续(每个元素都是实数)、稠密(每个元素都不为0)的特点。

图嵌入-基本框架：编码器-解码器

假设：G是图，V是节点集，A是无权图，本节仍仅考虑连接信息，不考虑节点信息。
目标是：节点编码后，两节点在嵌入空间中的向量的(余弦)相似度可以反应(近似)两节点在图中的相似度。即
$$similarity(u,v)\approx {\mathbf{z}}_v^{\mathrm{T}}{\mathbf{z}}_u$$

关键：如何定义节点的相似度。
步骤：

• 编码器：节点-》d维向量
• 定义节点在图中的相似度函数：$similarity(u,v)$
• 解码器：计算两个节点向量的相似度：如${\mathbf{z}}_v^{\mathrm{T}}{\mathbf{z}}_u$
• 迭代优化编码器的参数使得图中相似节点的向量数量积大，不相似节点向量数量积小：$$similarity(u,v)\approx {\mathbf{z}}_v^{\mathrm{T}}{\mathbf{z}}_u$$

node embeddings方法是无监督/自监督的，且与下游任务无关。

浅编码器

最简单的编码器-查表
只需要直接优化Z矩阵
对应方法有：DeepWalk，node2vec

基于随机游走的方法

图机器学习的很多概念可以类比NLP的很多概念

[暂时跳过这里去看DeepWalk论文精读]