Node2Vec实战---《悲惨世界》人物图嵌入
1. pip各个包后导入
import networkx as nx # 图数据挖掘
import numpy as np # 数据分析
import random # 随机数
# 数据可视化
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号2. 导入内置的数据集
# 《悲惨世界》人物数据集
G = nx.les_miserables_graph()3. 可视化图，with_labels=True，以此给每个节点的名称显示出来
# 可视化
plt.figure(figsize=(15,14))
pos = nx.spring_layout(G, seed=5)
nx.draw(G, pos, with_labels=True) # 给每个节点的名称显示出来
plt.show()
4. 接下来导入Node2Vec模型，并设置其模型参数，并将最终得到的各个节点的嵌入向量embedding赋予给变量X
from node2vec import Node2Vec
# 设置node2vec参数
node2vec = Node2Vec(G,
dimensions=32, # 嵌入维度
p=1, # 回家参数
q=3, # 外出参数
walk_length=10, # 随机游走最大长度
num_walks=600, # 每个节点作为起始节点生成的随机游走个数
workers=4 # 并行线程数
)
# p=1, q=0.5, n_clusters=6。DFS深度优先搜索，挖掘同质社群
# p=1, q=2, n_clusters=3。BFS宽度优先搜索，挖掘节点的结构功能。
# 训练Node2Vec，参数文档见 gensim.models.Word2Vec
model = node2vec.fit(window=3, # Skip-Gram窗口大小
min_count=1, # 忽略出现次数低于此阈值的节点（词）
batch_words=4 # 每个线程处理的数据量
)
X = model.wv.vectors # 77个节点的嵌入向量5. 接下来用Kmeans聚类算法，进行节点Embedding聚类可视化
#DBSCAN聚类
# from sklearn.cluster import DBSCAN
# cluster_labels = DBSCAN(eps=0.5,min samples=6).fit(X).labels
# print(cluster labels)
# KMeans聚类
from sklearn.cluster import KMeans
cluster_labels = KMeans(n_clusters=3).fit(X).labels_ # 对X进行聚类，聚成三簇，
print(cluster_labels) # 得到聚类的labelprint(cluster_labels)的结果：
将词汇表的节点顺序转为networkx中的节点顺序。
colors = []
nodes = list(G.nodes)
for node in nodes: # 按 networkx 的顺序遍历每个节点
idx = model.wv.key_to_index[str(node)] # 获取这个节点在 embedding 中的索引号
colors.append(cluster_labels[idx]) # 获取这个节点的聚类结果把colors放到原图中可视化，可视化聚类效果如下：
plt.figure(figsize=(15,14))
pos = nx.spring_layout(G, seed=10)
nx.draw(G, pos, node_color=colors, with_labels=True)
plt.show()
上图的效果其实很像原论文里所谓DFS的效果，也就是挖掘同质社群，我觉得更通俗一点，就是相邻的节点其实就是一类。
6. 将Embedding用PCA降维到2维，进行节点embedding降维可视化
# 将Embedding用PCA降维到2维
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
embed_2d = pca.fit_transform(X)
# # 将Embedding用TSNE降维到2维
# from sklearn.manifold import TSNE
# tsne = TSNE(n_components=2, n_iter=5000)
# embed_2d = tsne.fit_transform(X)
# plt.figure(figsize=(14,14))
plt.scatter(embed_2d[:, 0], embed_2d[:, 1]) # 绘制散点图
plt.show()
7. 找到和拿破仑相似的节点
8. 对edge连接进行embedding
from node2vec.edges import HadamardEmbedder # 导入工具包
# Hadamard 二元操作符：两个 Embedding 对应元素相乘
edges_embs = HadamardEmbedder(keyed_vectors=model.wv)
后言：虽说调包也不用考虑什么原理问题（），但是针对O(1)的采样方法alias sampling我还是想说下我自己对此的理解，大佬解说的视频：
因为好像有可能事件的概率不一定是相等的，就是不均匀的，一开始我还想用哈希表，用key：概率区间的某个值，value：事件编号，发现好像即使是0~1里面都有无数个实数，那就不可能hash了（）
也就是如果“把四个柱子加在一起，然后直接让它们原本的大小等于自己的区间长度”，不太可能存在 概率映射到事件 的情况。
但是经过alias sampling以后，直接都是均匀的，其实就可以直接定位到某个区间了，剩下就取alias事件或者是原来的事件就行了，因为那个区间只可能是这两种情况 。