LINE: Large-scale Information Network Embedding

LINE: Large-scale Information Network Embedding

ABSTRACT

ABSTRACT部分说了，这篇文章主要解决了大规模网络给embedding到低纬向量。而低纬向量能够更加有助于visualization, node classification, and link prediction。这个方法起了个名字叫LINE。而且这个方法能够处理各种各样的网络，有向无向图，带不带权等等。作者认为本文主要有如下两个亮点：

• 优化的目标函数设计的比较好
• 边采样方法能够克服(address)传统的随机梯度下降方法的缺陷，同时提高最后结果的效率和效果（efficiency and effectiveness）。

作者说，处理的效率非常的高，几个小时能处理millions of vertices 
and billions of edges 的网络

INTRODUCTION

这篇文章的Introduction还挺长的，而且介绍的蛮有干货。 
第一段跟Abstract部分差不多，简要介绍了Network的普遍性 ，和embedding的重要性。 
第二段就进入了踩踩别人方法的阶段就列举出了3个已有的Graph Embedding方法：MDS , IsoMap, 
Laplacian eigenmap 的局限性（话说找的方法还真是有点早啊，Laplacian eigenmap 那个方法01年的了）。说他们都是只能处理小规模网络，不能处理大规模网络。他们的时间复杂度至少是平方级别的。 
当然，作者又说，最近有些研究可以处理大规模网络了，但是他们要么是间接方法不是特别为了网络设计的，要么是缺乏一个明确的目标函数去embedding。然后作者进入正题说：我们设计了一个 a new model with a carefully designed objective function that preserves properties of the graph and an efficient optimization technique should effectively find the embedding of millions of nodes. 看来目标函数和优化技术是这篇文章的主要亮点。 
第三段作者说，他们的那个优化函数能同时呈现全局和局部两种网络结构信息。

• 局部信息是指，网络中的边信息，它是一个观测到的一阶相似度，之前很多方法就用了这个信息，如IsoMap，Laplacian eigenmap 。但是实际上在现实网络中，很多合法的边没有被观测到。所以一阶相似度并不能有效的表示全局信息。
• 所以作者就提出了，二阶相似度，不是通过节点周围点的连接强度，而是通过与其他节点间共享邻居节点的结构来表示信息。直觉上，节点之间share的邻居节点越多，可以认为他们越相似。

所以一阶相似度，二阶相似度就这么被定义出来，二阶相似度能完善一下只用一阶相似度带来的稀疏性问题。 
所以优化的目标就出来了，但是怎么去优化它也是一个挑战。 
最近常用的方法就是梯度下降了，但是作者发现，直接用SGD会有一些问题。作者分析原因在于，如果网络带权的话，通常情况下，带权网络的权值是一个方差非常大的分布，而大的方差，导致了最后乘以梯度的时候，会导致梯度爆炸，而使结果不好。 
所以作者说他们提出了一个边采样的方法。按照概率分布采样，而概率是通过边权大小计算出来的，然后将边当成一个二元的边来处理。有了这样的处理之后，优化的目标函数还是一样，但是就没有梯度爆炸的问题了。 
作者用多个不同的现实网络去评估自己的方法：language networks, social 
networks, and citation networks。而评测指标用的：word analogy, text classification, and node classification. 最终实验表明LINE算法效率也高，效果也好，就是NB。

RELATED WORK

之前列举的那些方法，经常就是用KNN来构建一个矩阵，然后来求矩阵的主要特征向量，因为要求特征向量，所以这样复杂度至少就为平方级别了。 
而最近的一些工作，如graph factorization，它的问题在于

• 并不是专门为了网络而设计的
• 只有一阶相似度
• 只能处理无向图

然后另外一个相关的工作是Deep Work，它是用随机游走的办法，主要应用了二阶相似度，但是主要的问题在于：

• DeepWork用随机游走是一个DFS，而我们的方法是一个BFS，更能利用二阶相似度
• 只能用在不带权的图中

PROBLEM DEFINITION

这一部分中，作者形式化的定义了，问题中的各种描述，诸如图的定义就不再赘述了。 
一阶相似度定义为：两个节点之间边的权重值。 
二阶相似度定义为一阶相似度向量（节点u的一阶相似度向量为pu=(wu,1,wu,2,...,wu,|v|)pu=(wu,1,wu,2,...,wu,|v|))之间的相似度（应该是pu,pvpu,pv的cos相似度？作者具体也没说）。 
然后定义了问题，就是既要用到一阶相似度又要用到二阶相似度的一个embedding算法。

LINE: LARGE-SCALE INFORMATION NETWORK EMBEDDING

作者说一个好的能用到现实数据中的network embedding方法应该具备如下特征：

1. 用到两个相似度
2. 能够处理大规模数据
3. 能够处理各种各样的网络：带权/不带权，有向图/无向图

1.模型描述部分

一阶相似度

定义两个点i,ji,j之间的相似度为

p1(vi,vj)=11+exp(−ui→T⋅ui→)p1(vi,vj)=11+exp(−ui→T⋅ui→)

其中ui,ujui,uj指i,ji,j两个节点的低纬向量表示 
个人感觉就是一个sigmoid函数 
然后是经验相似度

p^1(i,j)=wijWp^1(i,j)=wijW

WW是所有边权之和 
所以两种节点之间相似度的分布就出来了，接下来求两个分布之间的距离——KL距离 

O1=d(p^1(⋅,⋅),p1(⋅,⋅))O1=d(p^1(⋅,⋅),p1(⋅,⋅))

将p^1p^1的定义带入其中化简得到 

O1=−∑(i,j)∈Ewijlogp1(vi,vj)O1=−∑(i,j)∈Ewijlogp1(vi,vj)

 

一阶相似度只能用在无向图上

二阶相似度

二阶相似度可以用在无向和有向图上