论文｜LINE算法原理代码实战和应用
Posted Thinkgamer_
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了论文｜LINE算法原理代码实战和应用相关的知识，希望对你有一定的参考价值。
1 概述
LINE是2015年微软发表的一篇论文，其全称为： Large-scale Information Network Embedding。论文下载地址：https://arxiv.org/pdf/1503.03578.pdf
LINE是一种基于graph产生embedding的方法，它可以适用于任何类型的graph，如无向图、有向图、加权图等，同时作者基于边采样进行了目标函数的优化，使算法既能捕获到局部的网络结构，也能捕获到全局的网络结构。
2 算法原理
2.1 新的相似度定义
该算法同时优化了节点的相似度计算方法，提出了一二阶相似度。
1、一阶相似度
一阶相似度用来描述的是两个顶点之间有一条边直接相连的情况，如果两个 u 、 v u、v u、v 之间存在直连变，则其一阶相似度可以用权重 w u v w_{uv} wuv来表示，如果不存在直连边，则一阶相似度为0。
上图中，顶点6、7之间是直接相连的，且权重比较大（边比较粗），则认为顶点6、7是相似的，且一阶相似度较高，顶点5、6之间并没有直接相连，则两者的一阶相似度为0。
2、二阶相似度
二阶相似度描述的是两个顶点之间没有直接相连，但是他们拥有相同的邻居。比如顶点 u 、 v u、v u、v 直接不存在直接相连，但是 顶点 u u u 存在其自己的一阶连接点， u u u 和 对应的一阶连接点 的一阶相似度可以形式化定义为： p ( u ) = ( w u , 1 , . . . , w u , ∣ V ∣ ) p(u) = (w_{u,1}, ..., w_{u, |V|}) p(u)=(wu,1,...,wu,∣V∣) ，同理可以得到顶点 v v v 和对应的一阶连接点的一阶相似度定义： p ( v ) = ( w v , 1 , . . . , w v , ∣ V ∣ ) p(v) = (w_{v,1}, ..., w_{v, |V|}) p(v)=(wv,1,...,wv,∣V∣) ，顶点 u 、 v u、v u、v 之间的相似度即为 p ( u ) 、 p ( v ) p(u)、p(v) p(u)、p(v) 之间的相似度。
上图中，顶点 5、6之间并没有直接相连，但是他们各自的一阶连接点是相同的，说明他们也是相似的。二阶相似度就是用来描述这种关系的。
2.2 优化目标
1、一阶相似度
对于每一条无向边
(
i
,
j
)
(i,j)
(i,j) ，定义顶点
v
i
,
v
j
v_i, v_j
vi,vj之间的联合概率为：
p
1
(
v
i
,
v
j
)
=
1
1
+
e
x
p
(
−
u
i
⃗
⋅
u
j
⃗
)
p_1(v_i,v_j) = \\frac{1} {1+exp(- \\vec{u_i} \\cdot \\vec{u_j})}
p1(vi,vj)=1+exp(−ui⋅uj)1
其中
u
i
⃗
∈
R
d
\\vec{u_i} \\in R^d
ui∈Rd 为顶点
v
i
v_i
vi 的低维向量表示（可以看作一个内积模型，计算两个item之间的匹配程度)。
同时定义经验分为：
p
^
1
(
i
,
j
)
=
w
i
,
j
W
\\hat{p}_1(i,j) = \\frac{w_{i,j}}{W}
p^1(i,j)=Wwi,j
其中
W
=
∑
i
,
j
∈
E
w
i
,
j
W = \\sum_{i,j \\in E} w_{i,j}
W=∑i,j∈Ewi,j。
为了计算一阶相似度，优化的目标函数为：
O
1
=
d
(
p
^
1
(
⋅
,
⋅
)
,
p
1
(
⋅
,
⋅
)
)
O_1 = d(\\hat{p}_1(\\cdot , \\cdot), p_1(\\cdot , \\cdot))
O1=d(p^1(⋅,⋅),p1(⋅,⋅))
其中
d
(
⋅
,
⋅
)
d(\\cdot , \\cdot)
d(⋅,⋅) 是两个分布的距离，常用的衡量两个概率分布差异的指标为 KL 散度，使用 KL 散度并忽略常用项后有：
O
1
=
−
∑
(
i
,
j
)
∈
E
w
i
,
j
l
o
g
p
1
(
v
i
,
v
j
)
O_1 = - \\sum_{(i,j) \\in E} w_{i,j} log \\, p_1 (v_i, v_j)
O1=−(i,j)∈E∑wi,jlogp1(vi,vj)
一阶相似度只能用于无向图中。
2、二阶相似度
和一阶相似度不同的是，二阶相似度既可以用于无向图，也可以用于有向图。二阶相似度计算的假设前提是：两个顶点共享其各自的一阶连接顶点，在这种情况下，顶点被看作是一种特定的「上下文」信息，因此每一个顶点都扮演了两个角色，即拥有两个embedding向量，一个是顶点本身的表示向量，一个是该点作为其他顶点的上下文顶点时的表示向量。
对于有向边
(
i
,
j
)
(i,j)
(i,j)，定义给定顶点
v
i
v_i
vi 的条件下，产生上下文（邻居）顶点
v
j
v_j
vj 的概率为：
p
2
(
v
j
∣
v
i
)
=
e
x
p
(
u
j
⃗
T
⋅
u
i
⃗
)
∑
k
=
1
∣
V
∣
e
x
p
(
u
k
⃗
T
⋅
u
i
⃗
)
p_2(v_j|v_i) = \\frac {exp(\\vec{u_j}^T \\cdot \\vec{u_i})}{ \\sum_{k=1}^{|V|} exp(\\vec{u_k}^T \\cdot \\vec{u_i})}
p2(vj∣vi)=∑k=1∣V∣exp(ukT⋅ui)exp(ujT以上是关于论文｜LINE算法原理代码实战和应用的主要内容，如果未能解决你的问题，请参考以下文章