GraphSAGE原理(理解用)
引入:
GCN的缺点:
- 从大型网络中学习的困难:GCN在嵌入训练期间需要所有节点的存在。这不允许批量训练模型。
- 推广到看不见的节点的困难:GCN假设单个固定图,要求在一个确定的图中去学习顶点的embedding。但是,在许多实际应用中,需要快速生成看不见的节点的嵌入。而GCN无法直接泛化到在训练过程没有出现过的顶点,即属于一种直推式(transductive)的学习。
GraphSAGE:其核心思想是通过学习一个对邻居顶点进行聚合表示的函数来产生目标顶点的embedding向量。
GraphSAGE工作流程
- 对图中每个顶点的邻居顶点进行采样。模型不使用给定节点的整个邻域,而是统一采样一组固定大小的邻居。
- 根据聚合函数聚合邻居顶点蕴含的信息。
- 得到图中各顶点的向量表示供下游任务使用。
-
对图中每个顶点的邻居顶点进行采样
- 考虑计算效率的情况下:对每个顶点采样一定数量的邻居顶点作为待聚合信息的顶点。设采样数量为k,若顶点邻居数少于k,则采用有放回的抽样方法,直到采样出k个顶点。若顶点邻居数大于k,则采用无放回的抽样。
- 不考虑计算效率的情况下:完全可以对每个顶点利用其所有的邻居顶点进行信息聚合,这样是信息无损的。
具体来说:
在第 k k k 层时,对每个顶点 v v v,首先使用顶点 v v v 的邻居顶点的 k − 1 k-1 k−1 层的 embedding 表示来产生其邻居顶点的第 k k k 层聚合表示 h N ( v ) k h_{N(v)}^k hN(v)k,之后将 h N ( v ) k h_{N(v)}^k hN(v)k 和顶点 v v v 的第 k − 1 k-1 k−1 层表示 h v k − 1 h_v^{k-1} hvk−1进行拼接(concat),经过一个非线性变换产生顶点 v v v 的第 k k k 层 embedding 表示。一般而言,可用公式可表示为(只是为了说明流程,具体还要看聚合函数的选取): h N ( v ) k = a g g r e g a t e k ( { h u k − 1 , ∀ u ∈ N ( v ) } ) h_{N(v)}^k = aggregate_k(\{h_u^{k-1}, \forall u \in N(v)\}) hN(v)k=aggregatek({huk−1,∀u∈N(v)}) h v k = σ ( W k ⋅ c o n c a t ( h v k − 1 , h N ( v ) k ) ) h_v^k = \sigma (W^k \cdot concat(h_v^{k-1},h_{N(v)}^k) ) hvk=σ(Wk⋅concat(hvk−1,hN(v)k))
-
根据聚合函数聚合邻居顶点蕴含的信息
聚合函数的选取:
- MEAN aggregator:
h v k = σ ( W ⋅ M E A N ( { h v k − 1 } ∪ { h u k − 1 , ∀ u ∈ N ( v ) } ) ) h_v^k = \sigma (W \cdot MEAN(\{h_v^{k-1}\}\cup\{h_u^{k-1},\forall u \in N(v)\})) hvk=σ(W⋅MEAN({hvk−1}∪{huk−1,∀u∈N(v)})) - Pooling aggregator:
h N ( v ) k = p o o l i n g _ m e t h o d ( { σ ( W h u k + b ) , ∀ u ∈ N ( v ) } ) h_{N(v)}^k = pooling\_method(\{\sigma(Wh_u^k+b), \forall u \in N(v)\}) hN(v)k=pooling_method({σ(Whuk+b),∀u∈N(v)}) 注意这里是 h N ( v ) k ,而不是 h v k ;其中 p o o l i n g _ m e t h o d ∈ { m a x , m e a n } 注意这里是h_{N(v)}^k,而不是h_v^k;其中pooling\_method \in \{max,mean\} 注意这里是hN(v)k,而不是hvk;其中pooling_method∈{max,mean} - LSTM aggregator:
将中心节点的邻居节点随机打乱作为输入序列,将 所得向量表示 h N ( v ) k h_{N(v)}^k hN(v)k 与 中心节点的向量 h v k − 1 h_v^{k-1} hvk−1 表示分别经过非线性变换后拼接,得到中心节点在该层的向量表示。LSTM 本身用于序列数据,而邻居节点没有明显的序列关系,因此输入到 LSTM 中的邻居节点需要随机打乱顺序
- MEAN aggregator:
-
参数的学习
-
无监督学习
基于图的损失函数希望邻近的顶点具有相似的向量表示,同时让分离的顶点的表示尽可能不同。 目标函数如下: J G ( z u ) = − l o g ( σ ( z u T z v ) ) − Q ⋅ E v n ∼ P n ( v ) l o g ( σ ( − z u T z v n ) ) J_G(z_u) = -log(\sigma(z_u^Tz_v))-Q\cdot E_{v_n ∼ P_n(v) }log(\sigma(-z_u^Tz_{v_n})) JG(zu)=−log(σ(zuTzv))−Q⋅Evn∼Pn(v)log(σ(−zuTzvn))其中 v v v 是在定长随机游走中在 u u u 附近同时出现的节点, σ σ σ 是 s i g m o i d 函数 sigmoid函数 sigmoid函数 , P n P_n Pn是一个负抽样分布, Q Q Q定义了负抽样的数量。
与DeepWalk不同的是,这里的顶点表示向量是通过聚合顶点的邻接点特征产生的,而不是简单的进行一个embedding lookup操作得到。
-
监督学习
监督学习形式根据任务的不同直接设置目标函数即可,如最常用的节点分类任务使用交叉熵损失函数。
-
GraphSAGE的实用基础理论(编代码用)
1. GraphSAGE的底层实现(pytorch)
PyG中NeighorSampler实现节点维度的mini-batch + GraphSAGE样例
参考博客:https://blog.csdn.net/weixin_39925939/article/details/121458145
PyG中的SAGEConv实现
原论文中实现方法: x i ′ = W ⋅ c o n c a t ( A g g r e g a t e j ∈ N ( i ) x j , x i ) x_i' = W \cdot concat(Aggregate_{j\in N(i)}x_j,x_i) xi′=W⋅concat(Aggregatej∈N(i)xj,xi)
PyG中实现方法: x i ′ = W 1 x i + W 2 ⋅ A g g r e g a t e j ∈ N ( i ) x j x_i' = W_1x_i + W_2 \cdot Aggregate_{j\in N(i)}x_j xi′=W1xi+W2⋅Aggregatej∈N(i)xj
这两种方式是一样的,但是不同的是:
SAGEConv代码中的邻居就是你传入的邻居,不管是使用NeighborSampler等方式对邻居进行采样过的邻居还是未采样的所有邻居,它只管接收你传入的邻居,邻居采样不在这里实现。
-
init函数
参数说明:文章来源:https://www.toymoban.com/news/detail-414586.html
-
in_channels: Union[int, Tuple[int, int]]
:输入原始特征或者隐含层embedding的维度。如果是-1,则根据传入的x来推断特征维度。注意in_channels可以是一个整数,也可以是两个整数组成的tuple,分别对应source节点和target节点的特征维度。
- source节点: 中心节点的邻居节点。 { x j , ∀ j ∈ N ( i ) } \{x_j, \forall j\in N(i)\} {xj,∀j∈N(i)}
- target节点:中心节点。 x i x_i xi
- in_channels[0]:参数 W 2 W_2 W2的shape[0],点乘source节点聚合后的特征矩阵
- in_channels[1]:参数 W 1 W_1 W1的shape[0],点乘对应target节点的特征矩阵
-
out_channels
:输出embedding的维度 -
normalize
:是否对输出进行 l 2 l_2 l2归一化,默认为False
-
bias
:偏差,默认为True
-
root_weight
:输出是否会加上节点自身特征转换维度后的值,默认是True
。 -
kwargs.setdefault('aggr', 'mean')
:邻域聚合方式,默认aggr='mean'
,其余方式还有aggr='max'
,aggr='add'
class SAGEConv(MessagePassing): def __init__(self, in_channels: Union[int, Tuple[int, int]], out_channels: int, normalize: bool = False, root_weight: bool = True, bias: bool = True, **kwargs): # yapf: disable kwargs.setdefault('aggr', 'mean') super(SAGEConv, self).__init__(**kwargs) self.in_channels = in_channels self.out_channels = out_channels self.normalize = normalize self.root_weight = root_weight if isinstance(in_channels, int): in_channels = (in_channels, in_channels) self.lin_l = Linear(in_channels[0], out_channels, bias=bias) if self.root_weight: self.lin_r = Linear(in_channels[1], out_channels, bias=False) self.reset_parameters()
-
-
forward函数
参数说明:
-
x:Union[Tensor, OptPairTensor]
:可以是Tensor
,也可以是OptPairTensor
(pyg定义的tuple of Tensor)。
当图是
bipartite
的时候,x是OptPairTensor
,为了和init函数中定义的in_channel
对应,要使得:-
source
节点(邻居节点)特征对应x[0]
,在代码中赋值给x_l
,in_channel[0]
( W 2 W_2 W2)定义为lin_l
-
target
节点(中心节点)特征对应x[1]
,在代码中赋值给x_r
,in_channel[1]
( W 1 W_1 W1)定义为lin_r
-
edge_index
: Adj: Adj是pyg定义的邻接矩阵类型,可以是Tensor,也可以是SparseTensor。
def forward(self, x: Union[Tensor, OptPairTensor], edge_index: Adj, size: Size = None) -> Tensor: """""" if isinstance(x, Tensor): x: OptPairTensor = (x, x) # propagate_type: (x: OptPairTensor) out = self.propagate(edge_index, x=x, size=size) out = self.lin_l(out) x_r = x[1] if self.root_weight and x_r is not None: out += self.lin_r(x_r) if self.normalize: out = F.normalize(out, p=2., dim=-1) return out
-
-
消息传递函数(message函数)
forward函数中使用
self.propagate
时调用,传入的edge_index
不算显式参数。参数说明:
- edge_index为Tensor
edge_index为Tensor的时候,propagate调用message和aggregate实现消息传递和更新。这里message函数对邻居特征没有任何处理,只是进行了传递,所以最终propagate函数只是对邻居特征进行了aggregate - edge_index为SparseTensor
edge_index为SparseTensor的时候,propagate函数会在message_and_aggregate被定义的情况下被优先调用,代替message和aggregate。
这里message_and_aggregate直接调用类似矩阵计算matmul(adj_t, x[0], reduce=self.aggr)
。x[0]是source节点的特征。matmul来自于torch_sparse,除了类似常规的矩阵相乘外,还给出了可选的reduce,这里可以实现add,mean和max聚合。
def message(self, x_j: Tensor) -> Tensor: return x_j def message_and_aggregate(self, adj_t: SparseTensor, x: OptPairTensor) -> Tensor: adj_t = adj_t.set_value(None, layout=None) return matmul(adj_t, x[0], reduce=self.aggr)
- edge_index为Tensor
2. GraphSAGE的实例
import torch
import torch.nn.functional as F
from torch_geometric.nn.conv import SAGEConv
class SAGE(torch.nn.Module):
def __init__(self, in_channels, hidden_channels, out_channels, dropout=0.):
super(SAGE, self).__init__()
self.convs = torch.nn.ModuleList()
self.convs.append(SAGEConv(in_channels, hidden_channels))
self.convs.append(SAGEConv(hidden_channels, out_channels))
self.dropout = dropout
def reset_parameters():
for conv in self.convs:
conv.reset_parameters()
def forward(self, x, edge_index):
x = self.convs[0](x, edge_index)
x = F.relu(x)
x = F.dropout(x, p=self.dropout, training=self.training)
x = self.convs[1](x, edge_index)
return x.log_softmax(dim=-1)
#读取数据
from torch_geometric.datasets import Planetoid
import torch_geometric.transforms as T
transform = T.ToSparseTensor()
# 这里加上了ToSparseTensor(),所以边信息是以adj_t形式存储的,如果没有这个变换,则是edge_index
dataset = Planetoid(name='Cora', root=r'./dataset/Cora', transform=transform)
data = dataset[0]
data.adj_t = data.adj_t.to_symmetric()
model = SAGE(in_channels=dataset.num_features, hidden_channels=128, out_channels=dataset.num_classes)
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
def train():
model.train()
optimizer.zero_grad()
out = model(data.x, data.adj_t)[data.train_mask] #前面我们提到了,SAGE是实现了edge_index和adj_t两种形式的
loss = F.nll_loss(out, data.y[data.train_mask])
loss.backward()
optimizer.step()
return loss.item()
@torch.no_grad()
def test():
model.eval()
out = model(data.x, data.adj_t)
y_pred = out.argmax(axis=-1)
correct = y_pred == data.y
train_acc = correct[data.train_mask].sum().float()/data.train_mask.sum()
valid_acc = correct[data.val_mask].sum().float()/data.val_mask.sum()
test_acc = correct[data.test_mask].sum().float()/data.test_mask.sum()
return train_acc, valid_acc, test_acc
#跑10个epoch看一下模型效果
for epoch in range(20):
loss = train()
train_acc, valid_acc, test_acc = test()
print(f'Epoch: {epoch:02d}, '
f'Loss: {loss:.4f}, '
f'Train_acc: {100 * train_acc:.3f}%, '
f'Valid_acc: {100 * valid_acc:.3f}% '
f'Test_acc: {100 * test_acc:.3f}%')
引用
文章参考了:文章来源地址https://www.toymoban.com/news/detail-414586.html
- https://blog.csdn.net/weixin_39925939/article/details/121343538
- https://zhuanlan.zhihu.com/p/79637787
- https://zhuanlan.zhihu.com/p/336195862
到了这里,关于GraphSAGE的基础理论的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!