CS224W2.1——传统基于特征的方法(节点层级特征)

• CS224W1.1——图机器学习介绍
• CS224W1.2——图机器学习应用
• CS224W1.3——图表示的选择

前面几篇介绍了图机器学习的基础一些背景知识，我们知道图机器学习任务分为多个层级：

• 节点层级任务
• 边层级任务
• 子图层级任务
• 图层级任务

这篇主要讲传统的基于特征方法的节点层级任务。我们将讨论节点级特性及其应用。节点级特征关注图中节点的特征，可分为基于重要性和基于结构两种。

1. 不同层级特征

下图展示了不同层级的特征：

其中节点特征可以由下两部分组成：

• 节点附加信息，如节点特征。
• 节点结构信息，如节点在图中位置。

2. 传统的机器学习流水线

传统机器学习流水线有两个步骤：

• 第一步：我们取数据（数据点、节点、边、整图），将这些表示成特征向量。最重要的是，我们去训练典型机器学习任务（比如分类器）
• 第二步：我们获得训练好的特征，去做预测。

3. 特征设计

使用有效的特征是十分重要的，能很好的表示你想表示的东西，这是模型获得很好效果的关键。传统机器学习利用人工设计特征的方式，我们将从三个层级来学习传统特征设计方式。

我们的特征设计与目标任务紧密相关，整体任务可以看下图：

主要就是我们如何去学习这个映射函数$f$

4. 节点层级任务

节点层级任务和特征集中描述个体节点，我们将这种任务称为半监督学习任务（semi-supervised task）。在这类任务中，会给出整图，并给出一些有标签的节点（绿色、红色），用这些有标签的节点去预测无标签的节点。

节点层级任务主要目标：

我们要很好的利用图结构信息（节点度、节点中心、聚类信息等）表述节点特征。

4.1 节点特征——度

4.2 节点特征——中心信息（Centrality）

节点的度信息十分重要，但也有一些问题：

首先是节点的度信息没有考虑周围节点的重要性，

4.2.1 特征向量中心（Eigenvector centrality）

4.2.2 中间性中心（Betweenness centrality）

4.2.3 亲密关系中心（Closeness centrality）

4.3 节点特征——聚类系数（Clustering Coefficient）

4.4 节点特征——Graphlets

“有根连通的非同构子图”

相关定义：

举例：