Deepwalk/Node2vec 随机游走图算法的实现

[ykwd]

非常感谢贵司提供这个开源项目！

我对于代码实现有两点疑问，还请不吝赐教：

1. 欧拉自带的几个算法中，deepwalk和node2vec的随机游走的图算法的实现是不是直接调用的TensorFlow的随机游走，而没有用到欧拉自己的c++的库？

2. 有没有一个完整的图算法的实现来展示欧拉c++的库的使用的整个流程呢？wiki里面的代码只有简单的遍历之类的，但是感觉欧拉的c++的执行流程和模型都和传统的图计算系统（例如powergraph）不太一样，不是那种定义好算子后就一遍执行到底的，而是需要用户不断调用欧拉的接口来进行交互，不知道我的理解是否正确？

预祝新年快乐！

[zakheav]

1.node2vec，deepwalk使用的是Euler内部的邻居采样接口实现的，从一批根结点出发采样一批邻居，然后重复这个过程得到游走序列。 2.你的理解是对的，Euler提供一些cpp接口对图进行查询采样，用户不断调用这些接口来完成计算过程。我们在Euler的cpp接口之上封装了tf的op，然后基于这些op封装了图学习的一系列算法。 | | 计算机院 魏源 邮箱：18810543471@163.com | 签名由 网易邮箱大师 定制 在2019年02月02日 12:20，ykwd 写道： 非常感谢贵司提供这个开源项目！ 我对于代码实现有两点疑问，还请不吝赐教： 欧拉自带的几个算法中，deepwalk和node2vec的随机游走的图算法的实现是不是直接调用的TensorFlow的随机游走，而没有用到欧拉自己的c++的库？ 有没有一个完整的图算法的实现来展示欧拉c++的库的使用的整个流程呢？wiki里面的代码只有简单的遍历之类的，但是感觉欧拉的c++的执行流程和模型都和传统的图计算系统（例如powergraph）不太一样，不是那种定义好算子后就一遍执行到底的，而是需要用户不断调用欧拉的接口来进行交互，不知道我的理解是否正确？ 预祝新年快乐！ — You are receiving this because you are subscribed to this thread. Reply to this email directly, view it on GitHub, or mute the thread.

[ykwd]

非常抱歉问一个可能比较低级的问题：我发现Python代码里deepwalk和node2vec都调用的是c++编译好的库libtf_euler.so里的random_walk函数，而在c++中，我看了所有的cc文件，都没有找到node2vec的实现，包括在random_walk_op.cc或者walks_ops.cc等。

能否麻烦您指示一下node2vec的实现在哪里呢？

[zakheav]

实际上random walk就是用node2vec实现的，random walk可以看作是node2vec的特殊情况，Euler部分的代码在euler/euler/client/graph.h下面，叫BiasedSampleNeighbor函数 | | 计算机院 魏源 邮箱：18810543471@163.com | 签名由 网易邮箱大师 定制 在2019年02月02日 13:04，ykwd 写道： 非常抱歉问一个可能比较低级的问题：我发现Python代码里deepwalk和node2vec都调用的是c++编译好的库libtf_euler.so里的random_walk函数，而在c++中，我看了所有的cc文件，都没有找到node2vec的实现，包括在random_walk_op.cc或者walks_ops.cc等。 能否麻烦您指示一下node2vec的实现在哪里呢？ — You are receiving this because you commented. Reply to this email directly, view it on GitHub, or mute the thread.

[ykwd]

明白啦，谢谢~

[lixusign]

你好，https://cs.stanford.edu/people/jure/pubs/node2vec-kdd16.pdf 原始论文中， 权重指的是边的权重，而不是当前节点neighbor的权重，我认为这里实现的有误。

实现在，GetSortedFullNeighbor里的neighbors_weight_在graphBuilder构建的时候读的是neighbor的顶点权重而不是边的权重，这里是否实现有误？ 虽然可以trick一下不需要改代码，把邻居点的权重设置成边的权重，但是这样不太好。

同样如果lshne 也修改了p q超参数的话，也会走这个逻辑，导致出错。

[zakheav]

node2vec实现的时候会根据当前节点周围的结构信息生成一个a向量，然后乘以neighbor权重。具体可以看euler/euler/client/graph.cc | | 魏源 邮箱：18810543471@163.com | 签名由 网易邮箱大师 定制 在2020年05月18日 12:39，lixusign 写道： 你好，https://cs.stanford.edu/people/jure/pubs/node2vec-kdd16.pdf 原始论文中， 权重指的是边的权重，而不是当前节点neighbor的权重，因为neighbor的权重是一个绝对值，无法站在从当前顶点出发的视角进行游走，我认为这里实现的有误。 — You are receiving this because you commented. Reply to this email directly, view it on GitHub, or unsubscribe.

[lixusign]

我的意思是，用于控制结构性和同质性的P、Q参数 在条件下需要和节点之间的边的权重相乘作为游走的概率依据。而euler的实现是P、Q参数在条件下和”以自身节点看待neighbor权重“的信息做了相乘作为游走概率依据，和原始论文不一致。

[zakheav]

neighbor的权重是指的邻居边权重，不是邻居节点的权重

[lixusign]

{
"node_id": "顶点编号，int",
"node_type": "顶点类型，int",
"node_weight": "顶点权重，float",
"neighbor": {"边类型": {"邻居id": "权重", "...": "..."}, "...": "..."},
"uint64_feature": {"属性编号": ["int", "..."], "...": "..."},
"float_feature": {"属性编号": ["float", "..."], "...": "..."},
"binary_feature": {"属性编号": "string", "...": "..."},
"edge":[{
"src_id": "起点id, int",
"dst_id": "终点id, int",
"edge_type": "边类型, int",
"weight": "边权重, float",
"uint64_feature": {"属性编号": ["int", "..."], "...": ["int", "..."]},
"float_feature": {"属性编号": ["float", "..."], "...": ["float", "..."]},
"binary_feature": {"属性编号": "string", "...": "..."}
}, "..."]
}

那edge里的weight也是这条边的权重了，这两个有啥区别？

[zakheav]

其实是没区别的 | | 魏源 邮箱：18810543471@163.com | 签名由 网易邮箱大师 定制 在2020年05月19日 19:13，lixusign 写道： { "node_id": "顶点编号，int", "node_type": "顶点类型，int", "node_weight": "顶点权重，float", "neighbor": {"边类型": {"邻居id": "权重", "...": "..."}, "...": "..."}, "uint64_feature": {"属性编号": ["int", "..."], "...": "..."}, "float_feature": {"属性编号": ["float", "..."], "...": "..."}, "binary_feature": {"属性编号": "string", "...": "..."}, "edge":[{ "src_id": "起点id, int", "dst_id": "终点id, int", "edge_type": "边类型, int", "weight": "边权重, float", "uint64_feature": {"属性编号": ["int", "..."], "...": ["int", "..."]}, "float_feature": {"属性编号": ["float", "..."], "...": ["float", "..."]}, "binary_feature": {"属性编号": "string", "...": "..."} }, "..."] } 那edge里的weight也是这条边的权重了，这两个有啥区别？ — You are receiving this because you commented. Reply to this email directly, view it on GitHub, or unsubscribe.

[lixusign]

明白了，多谢