论文笔记(10): Node2Vec-Scalable Feature Learning for Networks

论文笔记：Node2Vec-Scalable Feature Learning for Networks

一、简介

node2vec是2016年提出的Graph Embedding表示方式，其训练速度快，并开放了源码，而且表示效果还不错，所以挺火。本质上来说，node2vec其实是基于DeepWalk的改进，所以要想了解node2vec，就需要先了解DeepWalk。这里对DeepWalk仅做简要介绍，详细内容还需要阅读原论文DeepWalk。

二、DeepWalk

2.1 DeepWalk简介

​ 输入的是一个网络，其中颜色相同的结点表示拓扑关系上更为相近的结点。输出的是每个节点的二维向量，每个节点对应的向量关系如图所示。我们可以从这个图看出，越是网络结构相近的点，其对应的二维向量在二维空间上距离与近。

​ 这其实是一个降维的过程，但不是传统意义上的降维，而是将图结构（一个复杂的结构）降到易于表示的低维度。具体来说，就是将网络中的拓扑结构表示成一个低维向量，这个向量可以反应结点间的连接情况。

2.1 那么，如何得到向量表示呢?

DeepWalk是这么做的：

• 针对网络中的每一个结点进行遍历，然后做随机游走算法，游走过程中得到了一系列有序结点。将这个节点序列类比于传统文本处理中的文章中的句子，而序列中的结点则可以类比句子中的单词。
• 有了上面的类比，我们便可以借助文本处理中的word embedding思想，对其进行训练，得到对应的向量。

不难看出，上面的过程简单来说，可以分为两步：第一步随机游走得到节点序列，第二步SkipGram得到向量表示。注意，这里的随机游走其实是类似深度优先遍历的过程。

2.2 DeepWalk的缺点

理解了DeepWalk的原理之后，我们不难想出它的缺点。

• 从随机游走来说，DeepWalk是简单的深度优先搜索的过程，深度优先往往增加了复杂度，而且没有考虑广度优先带来的周围邻居结构的影响，这里可以进行改进
• 原文章中没有提出一个明确的优化目标函数，成为其他学者认为不严谨的地方

三、Node2Vec

3.1 Node2Vec简介

针对上面的问题，便有了Node2Vec，简单介绍Node2Vec如下：

• Node2Vec改变了随机游走生成序列的方式，相当于进一步扩展了DeepWalk算法
• 有明确的优化目标函数

3.2 那么，node2vec是如何游走的呢？

在介绍如何游走之前，我们先介绍一些必要的知识。

3.2.1 网络结点相似性度量依据

文章介绍了关于网络结点相似性度量的两个重要依据：

• 内容相似性
• 结构相似性

内容相似性主要是相邻节点之间的相似性，而结构上相似的的点并不一定是相邻的，可能隔得很远

这里主要基于两个重要假设：

同质性假设(homophily equivalence)：连通的结点并且属于相似网络簇或者社群应该相似

结构等价假设(structural equivalence )：具有相似结构角色的结点应该相似

如上图所示，结点u和结点s6在局部网络结构中具有相似的结构角色，所以应该具有相似性，虽然两个结点之间并没有直接相连。又如，结点s1和u属于同一个网络簇（直连），所以更应该相似。

3.2.2 经典搜索策略

对于图结构来说，我们所熟知的搜索策略无外乎广度优先遍历（BFS）和深度优先遍历（DFS），两种策略各有其优缺点，对于这两个策略就不做过多介绍了。在图表示学习中，两种策略起到了基础作用，很多算法都是基于这两个策略的。

直观上来理解，广度优先遍历更容易采样邻居结点，这更容易表示结构相似性。此外，广度优先遍历采样邻居结点往往重复多次采样，这有利于减少偏差。对于深度优先遍历来说，它尽可能深的遍历网络，起到了一个宏观上的反应。这更容易表示内容相似性，即验证同质性假设。但是，过深的采样，增大了复杂度。而且，当深度达到一定程度，即两个结点之间距离较远，大多数时候，这两个结点可能没什么关系了。

3.2.3 Node2Vec的改进策略

基于上面的问题，Node2Vec提出了参数化的游走方式。具体来说，N2V提出了两个重要参数p和q用于控制游走。

如图所示，论文定义了一个二阶的随机游走， αpq(t,x) α p q ( t , x ) 是转移概率。

• 返回概率参数（Return parameter）p，对应BFS，p控制回到原来节点的概率，如图中从t跳到v以后，有1/p的概率在节点v处再跳回到t。
• 离开概率参数（In out parameter）q，对应DFS，q控制跳到其他节点的概率。

p用来控制重新访问walk的的结点的可能性，p越大，可能性越小。同理，q越大，加入q>1，那么随机游走就用参数控制游走的结点更结点结点t(降低了往外游走的概率)。如果q<1，则游走方式更大概率探索远离结点t的结点。

总的来说，整个策略是在DFS和BFS之间采取某种平衡，也提供了参数化的控制方式，可以根据不同的需求进行调参，增大了普适性。

四、目标函数以及优化

关于node2vec的目标函数以及使用此算法所做的实验，这里就不多做详细介绍，感兴趣的去看原论文，没有多少公式。本文主要是简要介绍其思想。

对于目标函数优化，论文将其定位最大似然估计优化问题。

这里用到了两个假设：

• 条件独立性假设：即假设结点间相互独立，简单来说就是，对于某一个源结点，其采用到的邻居结点是独立的，采用其中一个邻居结点不会对其他邻居结点造成影响。
• 特征空间对称假设：源结点和邻居结点的特征空间有一个对称性影响。简单来说就是，一个源结点和其某一个邻居结点有关系，那么对于这个邻居结点来说，这个源结点也是其邻居结点，影响是相互的。

五、实验

论文公布了源代码，提供了C++和Python两个版本。

Python版本：https://github.com/aditya-grover/node2vec

C++版本：https://github.com/snap-stanford/snap/tree/master/examples/node2vec

也可以基于Spark训练，但是看issue有不少问题。

本人基于Python版本进行了实验室，说几点问题：

• 源码是基于Python2.7的，Python3.x需要修改源码

• 源码在保存模型的时候有错误，需要将line 88 in main.py 改为 model.wv.save_word2vec_format

  错误提示为：raise DeprecationWarning(“Deprecated. Use model.wv.save_word2vec_format instead.”) DeprecationWarning: Deprecated. Use model.wv.save_word2vec_format instead.

30W结点，100W关系大概训练了半小时不到，结果进行相似性度量还可以。

对于大规模图，训练速度还是太慢，本人跑一个接近400W结点、8000W关系的图四天了还没开始迭代，需要考虑使用C++版本或Spark加速。

六、参考文献

1. 笔记︱基于网络节点的node2vec、论文、算法python实现
2. Node2Vec原始论文