【斯坦福CS224W图机器学习】03 传统图机器学习方法--节点级别

1引言

Machine Learning Task

回顾一下机器学习任务。主要是三个级别的任务，节点级别(Node-level)的预测，边级别(Edge-level)的预测，图级别(Graph-level)的预测。

Traditional ML Pipeline 传统机器学习管道线

1.为节点/边/图设计特征 2.为所有的训练数据获取特征 3…训练一个经典的机器学习模型（随机森林、SVM、神经网络） 4.应用该模型到一个新的节点/边/图上

Feature Design 特征设计

在图上使用高效的特征是‘良好的测试性能’的关键。传统的机器学习pipeline使用手工设计的特征（hand-designed features）。在这一节中，我们会回顾节点级别(Node-level)，边级别(Edge-level)，图级别(Graph-level)的传统特征。为了简单起见，我们关注无向图。

Machine Learning in Graphs 图机器学习

Goal：为一组objects做预测

Design choices：
特征：d维向量
objects：节点，边，节点集，整个图
目标函数：尝试预测的标签

我们可能想到，将图表示成边和节点，然后学习一个函数(对于每个节点，都能给出真实的预测)。

2节点级别的任务和特征

Node-level features节点级别的特征

Goal：描述图中节点的结构和位置（Node degree、Node centrality、Clustering coefficient、Graphlets）

节点特征：节点的度Node degree

节点的度：节点邻居节点的个数

节点特征：节点中心性Node centrality

节点的度数只关注节点拥有的邻居个数，没有关注节点的重要程度。节点中心性将节点在图中的重要程度考虑在内。有几种不同的重要程度建模方法：

• Engienvector centrality
• Betweenness centrality
• Closeness centrality
• and many others

Eigenvector centrality

Betweenness centrality

Closeness centrality:

节点特征：Clustering coefficient

聚类稀疏衡量邻居的连接程度

节点特征：Graphlets图集

3总结

上文我们介绍了几种方法获取节点特征。可以分类如下

基于重要性的特征：捕获节点的重要性

• Node degree只需计算相邻节点的数量
• Different node centrality measures图中相邻节点的重要性不同的建模选择：特征向量中心性、中间中心性、接近中心性

基于结构的特征：捕获节点周围局部邻域的拓扑特性

• Node degree计算相邻节点的数量
• Clustering coefficient测量相邻节点的连接方式
• Graphlet count vector计算不同图形中出现的次数