论文笔记-Graph Neural Networks for Fast Node Ranking
Graph Neural Networks for Fast Node Ranking Approximation
用于快速节点排序近似的图神经网络
知识点:
度中心性(Degree centrality):一个点与其他点直接连接的总和。链接有方向,分为点入中心度、点出中心度
接近中心性(Closeness centrality):计算一个点到其他所有点的总和,这个总和越小就说明这个点到其他所有点的路径越短,说明这个点距离其他所有点越近。
一个点与其他点的最短距离之和进行归一处理之后得到一个(0,1)之间的数字,这个数字越大越表示这个点的接近中心度越高。分为入接近中心度(整合力)和出接近中心度(辐射力)
中介中心性(Betweenness centrality):计算经过一个点的最短路径的数量。经过一个点的最短路径的数量越多,就说明它的中介中心度越高。
摘要
本文研究的重要问题是:确定图中的重要节点以及对图整体结构的影响。
本文使用GNN模型来逼近中介中心性和接近中心性
在GNN中每个节点聚合多跳邻域中节点的特征,使用特征聚合的特点对路径进行建模,并且了解到有多少节点可以访问到特定节点。
1介绍
节点排序是图分析的重要组成部分
重点介绍两种基于最短路径的度量:
中介中心性 接近中心性
文章主要解决的问题:使用GNN解决基于最短路径的中心性逼近问题,在较低时间内具有较高排名精度。
GNN:利用图结构和节点/边的特征信息来学习可用于许多不同下游任务的节点或图形表示的神经网络体系结构。
GNN的一般原则:沿着图中的边的节点特征聚合方案。
在多层GNN模型中,每个节点聚合其邻居的特征,这些特征聚合了沿着给定节点开始或者结束的所有路径,通过重复聚合,生成的节点表示捕获其邻居的结构信息。
本文提出一种基于图的最短路径的新型选择性特征聚合方案,对输入的图进行预处理,并且修改邻接矩阵,使得节点沿着图中有可能的最短路径在多跳上聚合特征,然后使用基于损失学习函数进行排名,该评分函数将节点的聚合信息映射到与中心性度量分数相关的分数。
本文提出 GNN-Bet 和 GNN-Close 两个模型变体用来分别表示中介中心性和接近中心性。
好处一:使用GPU的计算能力,提高计算力
好处二:可以在不同结构的图上使用模型
2序
中介中心性
主要思想:若很多节点通过某给定节点,则给定节点是中心的,该节点的值高意味着该节点位于其他节点之间的许多最短路径上,且有助于其他节点之间传递信息。
接近中心性
用来度量某给定节点和其他节点之间的接近程度。接近中心性值高意味着节点可以更容易地将信息传播到其他节点。
接近中心性与从节点到其他节点的最短路径的平均值成正比。
GNN
在GNN中,图结构用于聚合节点和边的特征信息。
基于特征聚合模式,训练神经网络用于预测节点标签、两个节点之间的边存在概率(即两节点之间是否有联系)
框架设计:
GNN是将节点/边 的 图和特征信息作为输入,并且针对特定任务指定的任意损失函数进行训练。
在任何给定的GNN层中,每个节点聚合其邻居的特征(可视为消息传递阶段),节点特征向量通过将其自己的特征向量与其邻居的聚合特征相结合来更新。GNN中每一层都重复该操作。
信息传递:
每个节点聚合其邻居的特征信息以实现多跳距离。聚合方案来自广度优先搜索(BFS),且特征信息流通过图中所有的可用路径。
在计算中,中介中心性和接近中心性度量通过从每个节点执行BFS(以找到最短路径)来聚合节点贡献。
聚合信息的最直接公式是将邻接矩阵乘以特征矩阵。邻接矩阵的行表示节点邻居的索引,矩阵乘法的过程类似于来自特征矩阵的邻居的嵌入查找,并将它们加在一起。
3计划框架
训练两种基于GNN的模型,来近似GNN-Bet和GNN-Close,在聚合邻居特征(也就是消息传递)的过程中
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 【.NET】调用本地 Deepseek 模型
· CSnakes vs Python.NET:高效嵌入与灵活互通的跨语言方案对比
· DeepSeek “源神”启动!「GitHub 热点速览」
· 我与微信审核的“相爱相杀”看个人小程序副业
· Plotly.NET 一个为 .NET 打造的强大开源交互式图表库