Metapath2vec 的python简单实现

最新推荐文章于 2024-08-18 12:47:37 发布

xiadada2

最新推荐文章于 2024-08-18 12:47:37 发布

阅读量3.2k

点赞数 2

分类专栏：图神经网络文章标签：数据挖掘 pytorch 深度学习机器学习

本文链接：https://blog.youkuaiyun.com/xiadada2/article/details/117295281

版权

本文介绍了一个在GitHub上的Metapath2vec Python实现，利用三张图结构（paper-coauthor-paper, paper-cotitle-paper, paper-covenue-paper）和不同类型的metapath，如coauthor-cotitle-coauthor-cotitle。通过这种方式，生成正负样本对，应用于skip-gram模型的ui, uc, uj组件。最后，得到的节点embedding可用于下游任务。" 124889181,10076860,PHP实现微信小程序图片上传至服务器教程,"['PHP', '微信小程序', '文件上传']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文在github上:https://github.com/Mrxiahelong/Unsupervised-Author-Disambiguation/实现

这里我们使用三张图结构分别是paper-coauhor-paper,paper-cotitle-paper,paper-covenue-paper，也就是结点类型一种，边类型三种，我们的metapath类型为coauthor-cotitle-coauthor-cotitle.

def positive_sampler(path):
    '''
        对每一条path建立一个window大小的滑动窗口，
        例如 0 1 2 3 4，window大小为2，则返回 pos_u=[0,0,1,1,1.....],pos_v=[1,2,0,2,3....]
    '''
    pos_u,pos_v=[],[]
    for i in range(len(path)):
        if len(path)==1:
            continue
        u=path[i]
        v=np.concatenate([path[max(i-window,0):i],path[i+1:i+window+1]],axis=0)
        pos_u.extend([u]*len(v))
        pos_v.extend(v)
    return pos_u,pos_v    
def get_negative_ratio(metapath):
    '''
    对所有结点根据出现频率建立negative_ratio，出现频率越大的越有可能出现在负采样中
    返回的ratio 是对每一个结点被负采样的概率
    '''
    node_frequency=dict()
    sentence_count,node_count=0,0
    for path in metapath:
        for node in path:
            node_frequency[node]=node_frequency.get(node,0)+1
            node_count+=1