machine-learning - 使用图属性作为神经网络的输入

Question

我有近 1000 个 pandas DataFrame，我将它们转换成图表。现在我可以访问这些图的边和节点。对于一个 DataFrame，它如下所示:

nx.edges(FG)

Out[59]: EdgeView([('Dy0O7', 'Dy1O6'), ('Dy0O7', 'Dy2O6'), ('Dy0O7', 'Dy3O7'), ('Dy0O7', 'Dy4O6'), ('Dy1O6', 'Dy3O7'), ('Dy1O6', 'Dy5O6'), ('Dy2O6', 'Dy4O6'), ('Dy3O7', 'Dy4O6'), ('Dy3O7', 'Dy5O6')])

nx.nodes(FG)

Out[61]: NodeView(('Dy0O7', 'Dy1O6', 'Dy2O6', 'Dy3O7', 'Dy4O6', 'Dy5O6'))

我还可以有邻接 View ，它提供有关具有相应权重的连接节点的信息。

FG.adj

Out[64]: AdjacencyView({'Dy0O7': {'Dy1O6': {'weight': 3.0}, 'Dy2O6': {'weight': 1.0}, 'Dy3O7': {'weight': 2.0}, 'Dy4O6': {'weight': 1.0}}, 'Dy1O6': {'Dy0O7': {'weight': 3.0}, 'Dy3O7': {'weight': 1.0}, 'Dy5O6': {'weight': 1.0}}, 'Dy2O6': {'Dy0O7': {'weight': 1.0}, 'Dy4O6': {'weight': 1.0}}, 'Dy3O7': {'Dy0O7': {'weight': 2.0}, 'Dy1O6': {'weight': 1.0}, 'Dy4O6': {'weight': 3.0}, 'Dy5O6': {'weight': 1.0}}, 'Dy4O6': {'Dy0O7': {'weight': 1.0}, 'Dy2O6': {'weight': 1.0}, 'Dy3O7': {'weight': 3.0}}, 'Dy5O6': {'Dy1O6': {'weight': 1.0}, 'Dy3O7': {'weight': 1.0}}})

我想使用此类图属性作为机器学习算法(例如神经网络)的输入，我们该怎么做？

Answer 1

有很多算法可以将图转换为特征向量。两个著名的例子是:

• Node2vec来自斯坦福大学
• Deepwalk来自大学。舍布鲁克

他们的实现存在于 GitHub 上。

这些方法之间的基本思想几乎相同:1)随机游走2)生成一些序列3)word2vec(skip-gram)或其他深度学习方法4)在其他任务中使用输出作为特征向量。