图机器学习（15）——链接预测在社交网络分析中的应用

0. 链接预测

如今，社交媒体已成为最具价值且丰富多元的信息源之一。每日涌现数十万条新连接、无数用户加入社群、数十亿贴文被分享。这些自发性且非结构化的交互活动，通过图结构得以数字化呈现，从而建立秩序化关联。
在社交图分析中，机器学习能有效解决诸多重要问题。通过合理配置，可从海量数据中提取关键洞察：优化营销策略、识别危险行为用户、预测用户阅读新帖的概率等。
其中，链路预测是该领域最具价值的研究方向之一。根据社交图中连接关系的不同含义，预测未来边可应用于好友推荐、电影推荐或商品购买预测等场景，该任务旨在评估节点间未来建立连接的可能性，可通过多种机器学习算法实现。
接下来，将介绍如何应用监督与无监督图嵌入算法，继续在 SNAP Facebook 社交图上预测潜在连接，并评估节点特征对预测任务的贡献度。

1. 数据处理

为执行链路预测任务，需对数据集进行预处理。该问题将作为监督学习任务处理：算法输入为节点对，目标值为二元标签——若节点在实际网络中相连则标记为"已连接"，否则标记为"未连接"。
由于采用监督学习框架，需创建训练集与测试集。我们将生成两个节点数相同但边数不同的子图(通过移除部分边作为算法训练/测试的正样本)：

import torch