30. BI - 详解 Graph Embedding 的 DeepWalk 算法及实例

本文为 「茶桁的 AI 秘籍 - BI 篇 第 30 篇」

茶桁的AI秘籍_核心BI_30

Hi, 我是茶桁。

接着上节课咱们继续来讲。上一节中咱们讲了 Graph Embedding 的一些概念以及其中比较相关的「非欧几里得数据」是什么，介绍了 Graph Embedding 三种主流的技术，图因子分解机，随机游走以及深度学习。

那这节课，我们来看看 Deep Walk 算法， 还是要拿上节课的那张图过来：

image.png

今天要用到的数据模型就是上图这样的形态，这个形态可以用于很多场景。

有了这样的数据表达，如何去把顶点的特征学出来？2014 年就有作者提出来一个种算法叫做 DeepWalk。

「[DeepWalk Online Learning of Social Representations, 2014 KDD」^1这篇文章是开辟图的表征学习的开山之作，感兴趣的同学可以自己去看一看。KDD 这个会议应该算是在数据挖掘，知识发现里面非常顶级的会议。如果你有机会在上面发表一些文章，基本上在高校里面拿一个老师的职位都不成问题。

20240113013517

它输入是一张图的网络，输出就是网络中顶点的向量表达。做法是通过「截断随机游走」的方式(truncated random walk)去学习出一个网络的社会表示(social representation)，在网络标注顶点很少的情况也能得到比较好的效果。它具有可扩展的优点，能够适应网络的变化。

作者所用的方法也是借鉴了 NLP 中的 word2vec，也就是 Word Embedding 词嵌入的方式。Word Embedding 的基本元素是 word，在 Graph 中表示的就是 Node。既然都是在做 Embedding，都是在做特征表达，做 word Embedding 输入的是一系列的单词，和图相比两种数据结构并不一样，有没有一些方式可以把图的这种内容去转化出来，让它变得一样。

20240113014732

word embedding 是对构成一个句子中单词序列进行分析，在 Graph Network 中 Node 构成的序列就是 Random Walk。

Random walk 指的就是从某一个特定的端点开始，去找它的一个邻居，再从邻居出发找下一个邻居，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，一直不断的重复这个过程。

我们可以去制定要去游走的步数，把这样一条路径抽出来就得到了一个句子。不断的反复就得到很多的句子。有了这些句子就可以利用 word2vec 这样的技术去学习，把所有的单词的特征都可以学出来。

DeepWalk 它的逻辑就是由随机游走做了一个模型的转换，这样就可以把图跟单词之间去做一个关联，DeepWalk = Random Walk + Skip-gram。

第一步咱们给定当前访问起始节点，从其领居中随机采样节点作为下一个访问节点，重复此过程，直到访问序列长度满足预设条件，产生大量词序列（句子）。然后将这些词序列作为训练样本输入 word2vec, 用 Skip-gram + Hierarchical softmax 进行训练，得到 Embedding。

20240113021156

咱们还是以美国大学生足球队为例。一共有 115 支球队，每支球队都可以看成一支顶点，每个顶点都可以为起始进行出发，比如说以 A 为起始要游走多少次，每支球队游走 5 次，这个次数是人工来设定出来。那么以 A 为例就会有 5 个句子，每个句子的长度也可以自己来去定义，比如说每个句子的长度都为 10，这样就以 A 为开始，会有 5 个长度为 10 的句子。

咱们一共是有 115 支球队，如果通过这种方式来进行一个随机游走，应该是 575 个句子。将这 575 个句子作为数据就可以把每一个足球队学出来。

作者用一个巧妙的一个衔接，把 word2vec 这个工具跟图连接到一起去，衔接方式叫做随机游走(random walk)，所以 random walk 是在图的学习过程中一种比较常见的技术，也是当下比较主流的一个技术。

通过 random walk 在刚才的例子里面创建了 575 个句子是第一步，第二步是把句子作为训练样本喂给 word2vec 就可以让它学出来。 word2vec 有两种学习模式， 一种是 Skip-gram，还有一种呢叫 CBOW，不管采用哪种学习的模式都可以把一个单词的 Embedding 策略给学出来。

现在回到应用场景，来看推荐系统。推荐系统要去对一个商品的特征去学习，所以你可以把它理解成任务就是要做 item embedding。那商品的什么特征，有怎么样的一个数据？以用户的行为数据来去做建模。

举个例子，我们来看图：

20240113230642

图中有三个用户，每个用户都点击了一些商品。用户 1 点击了 D，A，B，这个点击序列是要按照时序的顺序，先点击了 D，再点击 A，再点击 B。

第 2 个用户的时序就是 B 和 E，然后是 D，E，F。中间有一个虚线，虚线是把点击的序列做了一个分割，原来把这个数据叫做 sequence，持续的序列数据，现在分割把它称为 session。

session 称为会话，在浏览器里面有一个 session，在推荐系统里面因为你的点击有可能持续会特别长，以淘宝为例，如果从十多年前你就开始用淘宝，那你的点击序列可能 10 年前最开始的那个时间就已经开始做记录了，到目前为止可能你前两天刚刚看完淘宝，这个 sequence 序列可能会很长。你如果点击过 10 万个商品，那就会有 10 万个 item 组成的一个 sequence。

如果你把它看成一句话，一个序列，这个序列实际上就会特别长，有点像去看一本小说，如果所有的内容都是一句话的话，过程中没有任何的断句，实际上也是不合理的。

那么最合理的方式就是可以按照章节，按照一个时间的关系去给他做一个断句。我们采用浏览器的断句的方式，以 30 分钟为一个阶段，前后两个商品的点击如果小于 30 分钟我们就认为它是属于一个 size。如果它的前后两个点击大于 30 分钟，就认为它是不同的 size。

你可能昨天去看了一个衣服，但是今天你再去上淘宝的时候去看一本书。因为时间间隔已经相对比较长了，那么搜索的目标或者你的这些内容已经发生了一些迁移，人们更容易在相同的时间段之内做类似的事情，隔了一段时间可能就会有下一个任务产生。所以这里用一个虚线把它分隔出来。

对于一个用户来说有很多的句子，前面是一句话是 30 分钟之内，后面又是一句话，对于用户 3 来说也有这样一个句子。原始数据可以把它看成就是每一个用户会产生很多的点击的序列，click 的 sequence。

今天要去使用的是 Graph Embedding，原来的数据还要把它构造出来一张图。有了点击的序列，点击的关系可以用图的方式来作表达，也就是从 A 到 B 的过程。

20240113234911

先来看用户 1，他点击的顺序是 D，A，B，这里 D 是第一个单词，然后是 A，然后是 B。我们用边代表它随机游走的逻辑。

20240113235122

用户 2 是 B 和 E，B 和 E 走完了，E 和 D 之间是一个断开的关系，所以并没有连接边。再之后就是 D 到 E，E 到 F。

20240113235257

用户 3 的序列是 E 到 C 是一个, C 到 B 是一个, 然后断开了，在之后就是 B 到 A。

这样把三个链接逻辑组成一张图，就可以得到一张最终转化出来的图

20240113235358

用户的是形成了三个 sequence，现在形成了一张图。第一步构造图的过程就完成了，做成了一个 Graph。原始数据是用户的点击序列，每个都是一个 sequence，最终讲这些 sequence 转成了图。

DeepWalk 上面给大家讲了，是两个阶段组成的，第一个阶段是 Random Walk，第二个阶段是 Skip-gram。它的本质就是 word2vec。

那么现在就从每个顶点开始都去随机游走一些边数。从 A 开始，A 可以走到 B 到 E 到 F。

20240113235944

每个游走的过程都是找它邻居，邻居里面随机的去选取一个就可以。有 5 个邻居，在 5 个邻居里面随机的去选中一个，如果找到了 B，B 还有很多邻居，再去随机选中其中一个。

长度假设设为 5，那为什么有些地方到 4 就结束了？因为到 F 这个位置就没法再走了，走不了。所以就直接停掉了。

这样就从形成的图走到了下一个过程，这一步里就是产生了很多个随机走出来的句子。

20240114000945

原来是三句话，现在产生无数句话。这是随机游走的过程，有了随机游走，再喂给第二步 Skip-gram。通过 Embedding with Skip-gram 把每个单词的含义学出来， 作为它的表达。

回到这个例子里面来，我们通过图的方法已经把每一个商品的特征学习出来了。那么商品特征学习出来以后，当用户点击了某一个商品就可以找跟他类似的 Embedding，求它的 similariting 相似度，最相似的那些商品的 TopN 来进行推荐。

我们以上整个过程是一共分了四步去做，那我们可不可以不走图的方式，拿到 sequence 以后就直接去进行特征学习呢？其实图的学习方式只是一种 Embedding 的策略，如果不走第二、第三步，也就是不去随机游走组合成句子理论上也是可行的。

那为什么还要走第二步和第三步呢？ 或者说走这两步有什么好处。原来我们只有三句话，零零星星的拿到几种可能性，这种可能性只是告诉我们它们可以构造出来一张图，每条边代表它的一种可能。

因为用户的点击不是全量点击，也没有把所有的可能性都枚举出来，那我们就可以基于第二步去生成一些新的可能性，这样我们就会通过随机游走的方式拿到更多的句子。

在第三步的基础上再进行学习，实际上是通过第二步的方式去创建更多的 sequence，这样再通过 Embedding 去学习后面更多单词的特征表达。

DeepWalk 有一个随机的概念，走到某个节点 vi 后，然后再去遍历 vi 的临接电 vj 的概率。如果物品的相关图是一个有向的有权图的话。

是什么意思呢？比如我们在点击序列过程中 A 到 B 的出现次数可能是 10 次，这样我就会把这条边的设置为 10 的权重。如果 B 到 C 是 1 次，就可以设置为 1 的权重。这个权重对后续的跳转转移还是有影响的。如果 A 到 B 是 10 次，它的次数要更多，那么在未来模拟 generate 的时候，理论上也应该比其他的跳转概率会更多一点。

所以我们可以把跳转概率概率 P 在节点

走到

的可能性给求出来。

代表的是节点

到节点

两者之间边的权重，

是节点

所有的出边集合。

如果物品相关图是无向无权图，那么跳转概率将是上面公式的一个特例，即权重

将为常数 1, 且

应该是节点

所有「边」的集合，而不是所有「出边」的集合。

比如，A 到 B 的概率是 10，B 到 C 的概率是 1，现在有 D 和 E，A 到 D 的概率是 1，A 到 E 的概率是 1。

20240114015707

现在 A 有三个邻居，我们把权重放进去，那 A 到 B 的概率就是

。这样就会更加真实的去模拟出来从 A 到 B 的一种跳转概率的可能性。

所以总来说原来的数据可能是一些样本的采样点，产生了一些用户点击的行为序列。通过它去构造一张图，图中把原来的采样的概率求出来，这种采样概率最终我们还可以让它生成出来更多种可能性。

就有点类似于像样本补全一样的策略，就可以在图中的产生出来更多句子，可以更充分的去学习这些点击序列的特征。所以在 DeepWalk 里面是可以设置有向的有权图，权重可以代表点击的次数。

实例：美国大学生足球队 Embedding

回到美国大学生足球队的这个实例，来看一看这个工具该怎么去做。

先使用 networkx 来构造一张图，这个是之前的课程给大家讲解的。图的数据结构是专门有自己的文件格式gml，因为图无外乎就是点和边。自己去一个一个加也是完全可以的，也可以通过 networkx 来生成一个:

G = nx.read_gml('dataset/football.gml')

有了这张 G，我们就可以对它的顶点情况，边的情况来进行查询了。然后我们将顶点和边分别打印出来查看一下。

print(G.nodes())

print(G.edges())

接着咱们来模拟整个运算的过程，第一个模拟的就是 random walk：

def get_randomwalk(node, path_length):

random_walk = [node]

for i in range(path_length-1):

temp = list(G.neighbors(node))

temp = list(set(temp) - set(random_walk))

if len(temp) == 0:

break

random_node = random.choice(temp)

random_walk.append(random_node)

node = random_node

return random_walk

print(get_randomwalk('EastCarolina', 10))

---

['EastCarolina', 'Louisville', 'Army', 'Tulane', 'Houston', 'Rice', 'Nevada', 'Tulsa', 'Hawaii', 'LouisianaTech']

我们先去选中一个顶点, 给他一个 node，然后人工参数指定要游走的长度。游走的 random walk 记录好的句子呢从 node 开始了，剩下的长度就是设定的长度减 1。比如说设定 path_length 为 10，后面还要走 9 步。

每个步骤先去找 node 的邻居，它的 neighbor。邻居里面现在在做的是一个不重复的采样，如果直接走过就把它去掉了，剩下的过程中看一看它有没有元素，没有元素就 break。所以它的长度有可能是小于 10 的。

如果它的长度现在还有一些可以走的邻居，就从这个邻居过程中去做一个 random choice，随机去选择其中一个。把这个选择好的 random node 加到之前游走的这个列表的队列过程中，再把 random node 移动到下一站，把 node 变成了刚才采样的这个邻居的顶点。然后再去做一个 for 循环，因为 node 已经更新了，就会找到新的 node，它的 neighbor，以此类推。

最终有可能等于 10，就是 length 指定的长度。然后把游走的序列给它返回过去。

最后我们打印一下，顶点 EastCarolina 生成 10 个长度的句子。我们再运行一下:

['EastCarolina', 'SouthernMississippi', 'Louisville', 'Tulane', 'Mississippi', 'NevadaLasVegas', 'Wyoming', 'CentralMichigan', 'BoiseState', 'WashingtonState']

可以看到和上一次打印的结果相比已经发生了一些变化，所以它每次游走有可能是不一样的。

随机游走完成以后接下来要去做一个遍历，遍历它所有的顶点。

all_nodes = list(G.nodes())

random_walks = []

for n in tqdm(all_nodes):

# 每个节点游走 5 次，每次最长距离为 10

for i in range(5):

random_walks.append(get_randomwalk(n,10))

一共 115 个顶点，每个顶点的遍历过程都走了 5 个句子，5 这里是人工指定的，每一次句子的长度是 10 也是人工指定的。

这样 random walks 里就变成了 115 x 5 = 575 个句子。

接下来，再把它的 rendom works 打印出来, 以及它的长度。

print('Node: \n', random_walks)

print('Length: \n', len(random_walks))

---

Node:

[['BrighamYoung', 'NewMexico', ..., 'BrighamYoung']]

Length:

575

它的长度还是比较长，随机游走出来了非常多条边。有了这 575 个句子，可以把它看成英文的百科全书，它是一个非常大的语料库。

接下来就是掉包了，去使用 word2vec，从这样的一个语料库去学习每个单词的特征表达。

word2vec 有几个核心参数，window 是上下文的长度，因为单词只跟上下文预测相关，所以要去限定它的 window size。后面还有一些负采样的一些比值。

# 训练 skip-gram (word2vec)模型

model = Word2Vec(window = 4, sg = 1, hs = 0,

negative = 10, # 负采样

alpha=0.03, min_alpha=0.0007,

seed = 14)

设置好了这个 model 以后，就可以让 model 去创建一个词汇表，从 random woalks 里面，就 575 个句子里面去 build 一下 vocabulary。

# 从 random_walks 中创建词汇表

model.build_vocab(random_walks, progress_per=2)

然后再去做一个训练，把原来的语料喂给它去做一个训练。

model.train(random_walks, total_examples = model.corpus_count, epochs=20, report_delay=1)

训练好以后就可以有些功能在 word2vec 里面去使用了，一个比较常见的使用功能就可以去找跟它相似的顶点还有哪些。

还是以 EastCarolina 为例，找一找在现在的这个 model 里面跟它相近的顶点，跟它相近的球队有哪些。

print(model.wv.similar_by_word('EastCarolina'))

---

[('Army', 0.982618510723114), ('AlabamaBirmingham', 0.9381647706031799), ('Louisville', 0.933090090751648), ('Memphis', 0.9233267307281494), ('Tulane', 0.9136509895324707), ('Syracuse', 0.8800936937332153), ('BostonCollege', 0.8797063231468201), ('Cincinnati', 0.8741576075553894), ('SouthernMississippi', 0.874110758304596), ('Navy', 0.8594821095466614)]

通过图上的表达的学习可以得出来跟它最接近的列表。Army 是最接近的，相似度是 0.982。 后面还有 AlabamaBirmingham, Louisville等等。

其实，如果我们再去运行一下，这个排序理论上是有可能会不一样的。因为在做训练的过程中，random walk 有可能每一次都不一样，之前的 575 个句子和下一次运行的 575 个句子有可能不同。咱们并没有设随机数种子，所以得出来的内容，训练的语料不一样，那得出来的 Embedding 也可能不一样。

但也能看到整体的趋势，细节上面有些稍微的调整，但是整体的趋势是不会发生变化的。总来说它的相似度计算还是比较准确的。

我们还可以用一个 PCA 的工具。PCA 这个工具可以去降维到一个很小的一个维度向量里面去。原来在做 word2vec 的时候是 100 维，一个顶点它是一个 100 维的一个长度，而 100 维的长度要去从可视化的角度上去看基本上是不可能的。就要把它通过主成分变化的方法映射到 2 维的坐标系里面去。它最大的好处就是可以做平面的直角坐标系的呈现，通过 PCA 来进行计算，然后再把计算的结果以散点图 scatter 的形式呈现出来。这样就可以知道哪两支球队会更近一点。

# 在二维空间中绘制所选节点的向量

def plot_nodes(word_list):

X = model.wv[word_list]

pca = PCA(n_components=2)

result = pca.fit_transform(X)

# 绘制节点向量

plt.figure(figsize=(12,9))

# 创建一个散点图的投影

plt.scatter(result[:, 0], result[:, 1])

for i, word in enumerate(word_list):

plt.annotate(word, xy=(result[i, 0], result[i, 1]))

plt.show()

# 将所有的球队 embedding 进行绘制

word_list = list(model.wv.key_to_index.keys())

plot_nodes(word_list)

最后我们来看一看可视化的一个结果。

115 支球队数量还是比较多的，通过二维可视化可以看出来他们之间的一些相似程度。比如说 navy，可能跟 Boston，Indiana 相对来说会近一点，离 Stanford 就会比较远，离 Purdue 也比较远。

虽然压缩以后会有些精度的损失，但总来说主要特征还是比较明确的。以上整个过程就是我们所求的球队的一个表达。这样我们就可以知道每支球队的向量，也可以方便你去计算哪两支球队是比较接近的。原始的数据是通过 gml 来完成的，然后自己去写了一个 random walk 来进行采样，得到 Embedding 的工具还是 word2vec，用它来去完成，word2vec 是最早提出来的 Word Embedding。

其实这种例子可以用到很多的场景，不仅仅是美国大学生足球队。人和人之间的社交行为，看谁的行为特征是更接近的，也是完全可以的。

整个我们看出来 Deep Walk 的思想还是非常巧妙的，做了一个衔接，可以把原来的 word2vec 直接无缝的去衔接利用上。这个算法就是最早的 Graph Embedding 的一个开山之作，原来做 random walk 是它最大的创新,而 random walk 没有考量随机策略。

那我们下一节课就来看看，在这两年之后，也就是 2016 年提出来的 Node2vec。