【斯坦福大学公开课CS224W——图机器学习】四、消息传递和节点分类
文章目录
我们的任务是： 已知图中一部分节点的标签，用图中节点之间的关系来将标签分配到所有节点上。属于半监督学习任务。
本节课我们学习message passing方法来完成这一任务。对某一节点的标签进行预测，需要其本身特征、邻居的标签和特征。
message passing的假设是图中相似的节点之间会存在链接，也就是相邻节点有标签相同的倾向。这种现象可以用homophily（相似节点倾向于聚集）、influence（关系会影响节点行为）、confounding（环境影响行为和关系）来解释。
collective classification给所有节点同时预测标签的概率分布，基于马尔科夫假设（某一点标签仅取决于其邻居的标签）。
local classifier（用节点特征预测标签）→ relational classifier（用邻居标签 和/或 特征，预测节点标签）→ collective inference（持续迭代）
本节课讲如下三种collective classification的实现技术：
- relational classification：用邻居标签概率的加权平均值来代表节点标签概率，循环迭代求解
- iterative classification：在训练集上训练用 (节点特征) 和 (节点特征，邻居标签summary z zz) 两种自变量预测标签的分类器 ? 1和 ? 2 ，在测试集上用 ? 1 赋予初始标签，循环迭代求解 z ? 用 ? 2 重新预测标签
- belief propagation：在边上传递节点对邻居的标签概率的置信度（belief）的message/estimate，迭代计算边上的message，最终得到节点的belief。有环时可能出现问题。
1. Message Passing and Node Classification
本章重要问题：给定网络中部分节点的标签，如何用它们来分配整个网络中节点的标签？（举例：已知网络中有一些诈骗网页，有一些可信网页，如何找到其他诈骗和可信的网页节点？）
训练数据中一部分有标签，剩下的没标签，这种就是半监督学习1
对这个问题的一种解决方式：node embeddings2
本章我们介绍一个解决上述问题的方法3：message passing
使用message passing基于“网络中存在关系correlations”这一直觉，亦即相似节点间存在链接。
message passing是通过链接传递节点的信息，感觉上会比较类似于 PageRank4 将节点的vote通过链接传递到下一节点，但是在这里我们更新的不再是重要性的分数，而是对节点标签预测的概率。
核心概念 collective classification：同时将标签分配到网络中的所有节点上。
本章将讲述三种实现技术：
- relational classification
- iterative classification
- belief propagation
网络中存在关系correlations：
相似的行为在网络中会互相关联。
correlation：相近的节点会具有相同标签
导致correlation的两种解释：
homophily（同质性，趋同性，同类相吸原则）：个体特征影响社交连接
influence：社交连接影响个体特征
homophily：相似节点会倾向于交流、关联（物以类聚，人以群分）
在网络研究中得到了大量观察
举例：同领域的研究者更容易建立联系，因为他们参加相同的会议、学术演讲……等活动
influence：社交链接会影响个人行为。
举例：用户将喜欢的音乐推荐给朋友。
解决分类问题的逻辑：
我们已知相似节点会在网络中更加靠近，或者直接相连。
因此根据关联推定guilt-by-association：如果我与具有标签X的节点相连，那么我也很可能具有标签X（基于马尔科夫假设6）
举例：互联网中的恶意/善意网页：恶意网页往往会互相关联，以增加曝光，使其看起来更可靠，并在搜索引擎中提高排名。
预测节点 v vv 的标签需要：
- v 的特征
- v 邻居的标签
- v 邻居的特征
1.1 collective classification概述
直觉：使用网络中的关系同时对相连节点进行分类
概率框架propabilistic framework
马尔科夫假设：节点 v 的标签 Y_v取决于其邻居N_v的标签：P ( Y v ) = P ( Y v ∣ N v )
collective classification分成三步：
- local classifier：分配节点的初始标签（基于节点特征建立标准分类，不使用网络结构信息）
- relational classifier：捕获关系（基于邻居节点的标签 和 特征，建立预测节点标签的分类器模型）（应用了网络结构信息）
- collective inference：传播关系（在每个节点上迭代relational classifier，直至邻居间标签的不一致最小化。网络结构影响最终预测结果）
2. Relational Classification / Probabilistic Relational Classifier
3. Iterative Classification
relational classifiers没有使用节点特征信息，所以我们使用新方法iterative classification。
iterative classification主思路：基于节点特征及邻居节点标签对节点进行分类
iterative classifier的结构
-
第一步：基于节点特征建立分类器
在训练集上训练如下分类器（可以用线性分类器、神经网络等算法）：- ? 1 ( f v ) 基于 f_v预测Y_v
- ? 2 ( f v , z v ) 基于 f_v和 z_v（v 邻居标签的summary）预测Y_v
-
第二步：迭代至收敛
在测试集上，用 ? 1预测标签，根据 ? 1计算出的标签计算z_v并用 ? 2 预测标签对每个节点重复迭代计算z_v、用 ? 2 预测标签这个过程，直至收敛或到达最大迭代次数（10, 50, 100……这样，不能太多10）
注意：模型不一定能收敛
4. Loopy Belief Propagation
名字叫loopy是因为loopy BP方法会应用在有很多环的情况下。
belief propagation是一种动态规划方法，用于回答图中的概率问题（比如节点属于某类的概率）。
邻居节点之间迭代传递信息pass message（如传递相信对方属于某一类的概率），直至达成共识（大家都这么相信），计算最终置信度（也有翻译为信念的）belief。
参考6：问题中节点的状态并不取决于节点本身的belief，而取决于邻居节点的belief。
4.1 message passing
算法
- 定义节点顺序（生成一条路径）
- 基于节点顺序生成边方向，从而决定message passing的顺序
- 按节点顺序，计算其对下一节点的信息（至今数到的节点数），将该信息传递到下一节点
4.2 Loopy BP Algorithm
从 i 传递给 j 的信息，取决于 i 从邻居处接收的信息。每个邻居给 i 对其状态的置信度的信息。
