网络中的机器学习
节点分类
链接预测
机器学习的生命圈需要特征工程
网络的特征学习——特征向量 embedding
network embedding的意义
节点的表征
节点的相似度衡量→网络相似度衡量
网络信息编码，生成节点表征
用途：异常检测，属性预测，聚类，关系预测
例子：deepwalk
难度：当前的深度学习视为序列或网格数据而设计的，但网络结构比这些更复杂，没有固定的空间结构，没有固定的顺序，是动态的，并且有多类特征
Embedding Nodes
假设我们有图G，V是节点集合，A是邻接矩阵，
将节点编码，编码后的向量计算得到的相似度与原网络的一致
因此需要定义一个编码器，以及计算节点相似度的函数，并优化encoder
浅层encoding，有一个大矩阵，存储各类节点的向量，encoder只是look-up，类似于word embedding
常见的方法：deepwalk，node2vec，transE
如何定义节点相似性
例子：若两个节点的embedding相似，那么在物理结构上，他们：相连？有相同邻居？相似的结构角色？等
随机游走→node embedding
随机游走：从一个节点出发，随机选择一个邻居节点，游走到该节点，再重复上述步骤。经过的节点组成的序列即为图的random walk
公式表示节点u，v在random walk中共同出现的概率
步骤：
1. 随机游走，得到若干序列
2. 优化encoder，使共同出现的节点的序列相似度更近
random walk的意义：
能充分表达网络的结构（邻居信息）
高效性，不需要考虑网络中的所有节点
非监督的学习，整体的过程类似于词向量，此处不加赘述
负样本抽样 窗口 + 负样本
演变为固定短长度的random walk
如何随机游走？
node2vec的概述
：
具有相似邻居的节点得到的向量相似
游走：广度，深度
node2vec的步骤
embedding的使用：
聚类，社区发现
节点分类
关系预测
多关系数据模型的translating Embeddings
多关系模型，例如，知识图谱，边具有多类关系
知识图谱填充→关系预测
transE
三元组关系 （实体1，关系，实体2）（h，l，t）
首先，实体已被表示未向量
那么关系如何表示呢？若l也是一个向量，那么应满足 h+l≈t
transE算法
整图的Embedding
将整个图通过向量表示
用途：鉴别分子是否有毒；鉴别网络是否异常
方法1：
基于node2vec得到每个节点的向量，求和或平均得到整个网络的向量
方法2：
引入虚拟节点来表征网络向量？？
方法3：
匿名游走？？需要看论文才能了解
每个节点是匿名的
当游走长度为3时，共有5个匿名。游走长度增长时，匿名的类别数如图所示
枚举步长为l的ai游走，并记录出现的次数
将图表示为这些游走的概率分布
计算图中所有的匿名游走可能是不可行的
抽样得到近似的分布
需要的random walk的次数如公式所示
学习每个匿名walk的Embedding，求和/平均/拼接后的结果即为图的表征
来源：https://www.cnblogs.com/combfish/p/12271482.html