【复杂网络】关系型数据挖掘

全文共: 3.3k字   |   阅读时长: 11分
知识整理自学笔记教程课
  阅读

文章导航

菲尔兹数学科学研究所 复杂网络2019夏令营课程 学习笔记

关系型数据挖掘（Relational data mining）

  • 中心性度量
  • 图模型
  • 基准（benchmarks）

简介：使用jupyter notebook、python3、igraph包

关系型数据

术语

  1. 监督学习：分类（classification）、回归（regression）
  2. 无监督学习：聚类（clustering）、密度估计（density estimation）、降维（dimension reduction）、异常值检测（outlier detection）。
  3. 半监督学习：标记的数据很少，同时使用标记和未标记的数据
  • 特征：feature（连续、分类或排序）

关系型数据

实体表示为点，关系可以表示为边，或超边（是否加权、是否有向）

  • A和B是朋友
  • A给B发邮件
  • A，B和C在同一个团队

关系型数据被建模为图（graphs）或超图（hypergraphs）

, let and ——得到邻接矩阵（一些性质，不再赘述）

完全图（Complete graph），也叫集团（clique）

图会出现在不同场景中：电子邮件交换、蛋白质-蛋白质相互作用图、社交关系（空手道俱乐部）、赛事（大学足球队之间的比赛）

Issues

一个图里面有很多社区，传统机器学习将向量空间进行嵌入降维后可以进行聚类。

有许多工具可以处理这些数据，抽样等统计技术可用于处理大型数据集。

采样保留关键属性（簇、平均距离等），但这些都在图形空间中被破坏。

Problems

  1. 中心性度量
  2. 寻找社区
  3. 异常检测
  4. 种子集扩展（seed set expansion）-局部采样
  5. 链路（边缘）预测
  6. 半监督学习
  7. 向量空间嵌入

中心性

度中心性

所有边权值之和

入度、出度：入边权值和、出边权值和

归一化度中心性：无权图（出入）度除以来获得（假设没有自环）

节点中心性

中心性（Centrality）：综合考虑节点度和连接到高度数中心的其他节点 ，唯一解为——连通图无定义，需要进行扩充定义

  • 定义一：特征向量中心性（eigenvector centrality）

    将特征向量中心性定义为与（neighbour’s centrality）成比例

    节点i的特征向量中心性是以下方程的解： 有向图，入度和出度分别进行定义

    对于连通图，我们测量与最大特征值相对应的特征向量的中心性，最大特征值是实的和正的（Perron Frobenius），即： u1是主导特征向量

  • 定义二：接近中心性（closeness centrality）

    考虑节点之间的最短路径（最小跳数或最小边权重之和）——测地线（geodesic） dij为最短路径长度，dii=0，不可达定义为无穷，无权图可定义为节点数n

  • 定义三：介数中心性（betweenness centrality）

    更常用的方法是考虑所有测地线：

    • 定义为节点j和k之间所有的测地线的数量
    • 定义为节点j和k之间通过节点i的测地线的数量

  • 定义四：Δ中心性（delta-centrality）

    考虑从G中删除某些节点i的影响

    • 设P(G)是图G上性能的一些度量
    • 设Gi是通过从图G移除与节点i相邻的所有边而获得的图

    ——注意，我们要保证

    • 一种可能的P(G)取值：定义图G的影响力E(G)——

    说明：

    • 对于不连通图，dij=∞的节点对的贡献为零。
    • 通过考虑节点集，所有中心性度量都可以推广到组中心性度量。——节点集的度定义为非g节点连接到g内节点的数量

  • 定义五：谷歌PageRank算法中使用的中心性

    思想：互联网中重要页面与许多重要页面相互链接

    • 我们在节点i处随机游走：

      • 以概率：跳到随机节点。
      • 以概率：以概率跳到节点j。
      • 可以用代数或迭代（幂）方法获得PageRank值的解

    • 在有向图中，我们将中枢（hub）定义为具有高出度的节点，而将权威（authority）定义为具有高度入度的节点。

    • 在无向图中，这两个概念是相同的。

  • 定义六：中枢/权威中心性（hub/ authority）

    中枢中心性： 权威中心性： 让，我们有：

边中心性

  • ：节点j和k之间的测地线数
  • ：通过边e的节点j和k之间的测地线数。

相关性

基础知识：

  • 设pi为出现次数为i次的节点在G中的比例，即度分布
  • 度相关性 度量 由边链接的节点的度之间的关系
  • 在同配网络（assortative network）中，高阶节点倾向于更多地连接到其他高阶节点，低阶节点也是如此
  • 在异配网络（disassortative network）中，高阶节点倾向于更多地连接到低阶节点，反之亦然。

定义：

  • k度节点的平均最近邻度函数：

    • 其中是从k度节点出到k'度节点入的概率

    • 如果没有相关性（中性网络-neutral network），有 pi：i度节点的比例

    友谊悖论指出，节点邻居的平均度通常高于其自身的度。这是由于在许多网络中： 即：一个节点更可能与中心（高阶节点）链接

  • 度相关函数可以近似为：

    • µ表示同配网络
    • µ表示中性网络
    • µ表示异配网络

图模型（随机图）

  • ER模型：Erdos-Renyi models (ER)
  • CL模型：Chung-Lu model (CL)
  • 配置模型：Configuration model

ER模型

概念：

  • G(n, m)模型：n个节点，m条边，任意选两个节点相连。——平均度：k = 2m/n
  • G(n, p)模型：n个节点，任意两个节点之间以概率p相连（边数期望为Np）。——平均度期望：k = p(n − 1)
    • 令p = m/N，此时可以转化为第一种模型

边数分布：

  • 为G(n，p)模型中有m条边的概率，令：（典型二项分布）

  • 假设N很大而p（通常）很小，我们可以使用泊松分布（ 为平均边数的期望）近似二项分布：

度分布：

  • 某个点度数为k的概率为：（ 为平均度的期望）

  • 由于近似服从泊松分布，此类模型不生成hubs节点，即真实网络中常见的高阶节点。

  • 可以绘制度分布直方图，用poisson分布曲线可以很好地拟合

巨型连通分量（Giant connected component-巨片）：（期望平均度）——三种状态

  1. ：亚临界状态；没有巨片，集群主要是树。

  2. ：超临界状态；单个巨片，小集群主要是树。

  3. ：连通状态；没有孤立的节点或小集群。

——从折线图可以看出，k为1是分界点，一旦超过1，巨片占比迅速扩大；到k = 7逐渐稳定达到100%

CL模型

伯努利Chung-Lu模型

模型：

  • 网络G中的节点为：

  • 每个节点的度为：

  • 两个节点i和j连接边的概率为：（为图的体积——所有节点的度数和）

分布：

  • 我们将定义为使用模型1获得的图G的分布： 其中图为获得的新随机图：

    • ，但一般情况下
    • 没有重复边
    • 有自环

——该模型在实际中不常用，其时间复杂度为

O(m) Chung-Lu模型

模型：

  • 只需要的时间复杂度，更常用

  • 在顶点V中选择条边，

  • 根据多项式分布从V独立采样：

  • 边可以重复，所以我们得到的是预期的边数而不是概率

分布：

  • 我们将定义为使用模型2获得的图G的分布： 其中图为获得的新随机图：

    • 我们总是有
    • 允许存在多条边
    • 也允许有自环

注意：

  • 对于模型II，我们可以忽略重复的多条边，这会减小图的总度期望（体积）
  • 对于这两种模型，我们都可以忽略自边（自环），这会再次减小总体积

配置模型（Degree Sequence）

提出：

  • Chung Lu模型是边生成的概率模型，生成度序列的期望和原来的相等。
  • 对于配置模型，我们为节点指定一个精确的度序列
  • 所有具有n个节点和这个精确度序列的图 被认为是以相同的概率出现的。

模型：

  • 对于每个节点i，我们指定个残边（stubs）——半条边

  • 残边随机互联

  • 可能会产生自环或重复边

  • 对于该模型，节点之间的预期边数为： 对于自环：

    边总数的期望为：

基准（小世界 幂律）

  • 小世界网络
  • 聚类系数
  • 幂律网络
  • Barabasi Albert和其他模型

小世界网络

背景：

  • 真实图通常不像 ER图 或 CL图 具有均匀的度分布
  • 真实图中的一些性质：
    1. 节点之间路径相对较短（小直径）(small diameter)
    2. 局部密度行为（三角形，社区）(triangles, communities)
    3. 大量的低度节点
    4. 存在高度节点（枢纽，权威）(hubs, authorities)

定义：如果特征路径长度（节点之间的平均距离）与节点数n的对数成正比增长，那么图就表现出小世界行为。

“六度分割”理论：今天的社会网络通常有较低的特征路径长度（任意两人之间的平均关系路径长度为6）

聚类系数

背景：

大多数网络，特别是社会网络，都表现出同质性（homophily）。——朋友之间分享好友的概率大于随机建立

衡量：

我们可以通过观察图中的三角形（图的传递性(graph transitivity)）或每个节点的邻居之间的边缘密度（聚类系数(clustering coefficient)）来衡量这一点。

定义一个图

  1. 图传递性

    • 三元组（triad）是一个由3个节点组成的子图，形成一棵树；设为图G中三元组的数量。
    • 一个三角形（triangle）是一个有3个节点的完全连接的子图；设是图G中三角形的数量。

    图传递性定义为：

  2. 聚类系数

    • 对于一个度数为的给定节点，让表示节点i的邻居之间的边数

    • 节点i的（本地）聚类系数定义为：

    • 它也被称为局部传递性，因为它对应于节点i的自我网络（ego-net）的

    图G的聚类系数定义为： 也被称为平均局部传递性

注意：和往往相似，但这其实是误导

  • 考虑以下有n+2个节点（n个灰色节点）的图

    • ：，

    • ：红色节点（），灰色节点

对于ER随机图来说，两个点之间形成边的概率为p，所以ER图的两个指标值都为概率p。

幂律网络

背景：

  • 在幂律函数中，一个量按另一个量的幂进行变化

  • 在度分布中很常见

  • 设是度数为k的节点的比例 c是归一化常数

  • 对于社会网络中的度分布，通常观测到的数值是

齐普夫定律：（Zipf’s law 二八定律是它的一个特例）

  • 在书面语言中，从等级r=1开始，按出现的顺序递减排列词语

  • 根据Zipf定律，等级为r的词出现的比例与1/r成正比

幂律函数是无标度或标度不变的：（scale-free / scale-invariant）

标度改变时，函数曲线的形状和函数的指数都没有变，即具有标度不变性

在复杂网络上任选一局部，由于其自相似性，局部网络的形态、规律、功能均与原网络不会发生变化，即在尺度伸缩时具有对称性。——类似于分型

  • 定义的函数：

    • 其中只有常数作为乘数a的函数而变化

  • 在实践中，我们可以从参数为γ的幂律分布中，在某个区间[dmin, dmax]内抽取一串度数。

  • 然后我们通过配置模型或CL模型生成一个图

    • CL模型可能会出现孤立点：因为存在大量低（期望）度的节点

举例：

  • 见notebook

总结：

  • 幂律网络表现出的度分布为：

    1. 许多低度节点

    2. "长尾"（long tail）——高度节点的存在

      这样的高度节点被称为枢纽（有向图的枢纽和权威 hubs and authorities）

BA网络（Barabasi-Albert）

一种典型的幂律分布网络

概念：

  • 这是一个优先依附模式的例子，也被称为富者愈富
  • 逐个节点生成图：
    • 在步骤t=0时，从一些初始图（例如：空图，小集团-small clique）开始。
    • 在步骤t>0时，向现有的节点添加一个新的节点，其边数为（最多为）m
    • 新节点与（现有）节点i有一条边的概率与添加这个新节点之前节点i的度数成正比。
    • 继续下去，直到生成n个节点

性质：

  • 该模型倾向于依附于高度节点，从而形成枢纽

  • 同理，度数为k的节点的比例为：

  • 存在几种变型

  • ER随机网络就没有这种幂律分布特性

本站总访问量次 | 您是第位访客