Link Prediction

任务：给定论文标题、作者、期刊、摘要、发表时间，预测两篇论文之间是否具有引用关系。

任务链接：https://inclass.kaggle.com/c/link-prediction-tu

1. 运行说明(需要LINUX环境)

1. 下载语料放在data/raw文件夹下，结构如下：

    data/raw/training_set.txt
   
    data/raw/testing_set.txt
   
    data/raw/node_information.csv
   

2. 运行脚本run.sh，耗时大概4小时，预测结果将输出到data/raw/output.txt

2. run.sh脚本处理流程说明

1. 自动下载LINE工具，用于生成低维稠密的网络节点向量。

2. 自动运行process_data.py，根据原始语料生成LINE训练过程中使用的语料。

   输入文件：

    data/raw/training_set.txt
    
    data/raw/node_information.csv
   

   输出文件：

    data/tmp/node_network.txt
   
    data/tmp/author_ids.pkl
   
    data/tmp/author_network.txt
   

3. 自动拷贝utils/train_LINE.sh脚本到LINE工具的可执行文件同级目录中，并运行。生成两个结果文件：

    data/features/node_network.bin      论文网络节点向量
   
    data/features/author_network.bin    作者网络节点向量
   

4. 自动运行test.py，完成特征工程，模型训练及预测的所有过程。

3. 任务中使用的特征列表

• year_dis 发表年份的差值
• year_source 源论文发表年份
• year_target 被引论文发表年份
• common_author 论文共同作者数
• overlap_title 论文标题的共现词数
• overlap_journal 期刊的共现词数
• abstract_tfidf_similar 摘要tfidf的相似度

from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer=TfidfVectorizer(min_df=2)
abstract_tfidf=vectorizer.fit_transform(node_df.abstract)
cosine(abstract_tfidf[row.sindex].toarray()[0],abstract_tfidf[row.tindex].toarray()[0])

• abstract_svd_similar 摘要svd降维后的相似度

from sklearn.decomposition import TruncatedSVD
abstract_svd=TruncatedSVD(n_components=100,random_state=100).fit_transform(abstract_tfidf)
cosine(abstract_svd[row.sindex],abstract_svd[row.tindex])

• in_degree_target 被引论文的入度
• out_degree_source 源论文的出度
• g_jaccard_index 无向图中jaccard index值
• g_neighbour_sqrt 无向图中公共邻居的比例
• g_neighbour_pearson 无向图邻居的pearson coefficient
• g_cluster_source 无向图中源论文的聚类系数
• g_cluster_target 无向图中被引论文的聚类系数

import networkx as nx
g_cluster=nx.algorithms.cluster.clustering(G)
g_cluster.get(row.sid,0)

• g_kcore_source 无向图中源论文的kcore
• g_kcore_target 无向图中被引论文的kcore

g_kcore=nx.core_number(G)
g_kcore.get(row.sid,0)

• g_pagerank_source 无向图中源论文的pagerank值
• g_pagerank_target 无向图中被引论文的pagerank值

g_pagerank=nx.pagerank(G)
g_pagerank.get(row.sid,0)

• g_aver_neighbour_source 无向图中源论文的平均邻居数
• g_aver_neighbour_target 无向图中被引论文的平均邻居数

g_aver_neighbor=nx.average_neighbor_degree(G)
g_aver_neighbor.get(row.tid,0)

4. Network Embedding

5. Doc2vec

6. 分类器

在本任务中尝试了Logistic Regression、SVM、GBDT、XGBoost及LightGBM几种分类器，其中LightGBM表现最好。

gbm = lgb.LGBMClassifier(objective='binary',
                        num_leaves=31,
                        learning_rate=0.05,
                        n_estimators=1000,subsample=0.8,)

7. 结果

仅使用特征列表中的21维特征(未添加Network Embedding及Doc2Vec)，线上B榜可达到0.97422的成绩。

目前代码还有一些需要补全的地方，正在整理中

有些特征可能并未其作用，甚至反而引入了样本噪音，对于特征的分析将继续进行整理......