🤵♂️ 个人主页：@Lingxw_w的个人主页
✍🏻作者简介：计算机科学与技术研究生在读
🐋 希望大家多多支持，我们一起进步！😄
如果文章对你有帮助的话，
欢迎评论 💬点赞👍🏻 收藏 📂加关注+
目录
1、常见的链路预测方法
2、图神经网络上的链路预测
3、使用PyTorch和DGL库实现图神经网络进行链路预测
链路预测是指在一个给定的网络中，根据已有的网络结构信息，尝试预测两个节点之间是否存在连接或者可能会建立连接的概率。这在社交网络分析、生物信息学、推荐系统等领域中都有广泛的应用。
在复杂网络中，链路预测可以帮助我们理解网络的演化过程、发现隐藏的关系和未知的连接，以及预测未来的网络演化趋势。
1、常见的链路预测方法
基于相似性的方法：这类方法假设具有相似性的节点之间更有可能存在连接。常见的相似性度量方法包括共同邻居数、Jaccard系数、Adamic/Adar指数等。
基于路径的方法：这类方法考虑节点之间的路径信息，比如最短路径、随机游走路径等。通过分析节点之间的路径特征，可以预测节点间的连接概率。
基于机器学习的方法：这类方法使用机器学习算法来建模和预测网络中的链路。常见的机器学习算法包括决策树、随机森林、支持向量机（SVM）、神经网络等。
基于深度学习的方法：这是近年来兴起的一种方法，使用深度学习模型（如图神经网络）来学习节点的表征，并通过这些表征来进行链路预测。
链路预测并非一种绝对准确的预测方法，因为网络的演化和连接行为具有一定的随机性。
2、图神经网络上的链路预测
图神经网络（Graph Neural Networks，简称GNN）可以用于链路预测任务。GNN是一类专门用于处理图结构数据的深度学习模型，能够学习节点和边的特征表示，并在此基础上进行预测任务。
步骤：
图表示构建：首先，将原始的网络数据表示为图结构，其中节点表示网络中的实体（如用户、物品），边表示节点之间的连接关系（如关注、交互）。
节点表征学习：GNN通过多轮的消息传递和聚合操作，从节点和边的特征中学习节点的表征。这样，每个节点都会得到一个向量表示，用于捕捉其在网络中的特征和上下文信息。
边预测模型构建：在节点表征学习的基础上，可以构建一个边预测模型来预测节点之间的连接概率。一种常见的方法是使用一个全连接层或多层感知机（MLP）来将节点表征映射到一个预测分数或概率。可以使用二元分类任务来预测节点间是否存在连接，或者使用回归任务来预测连接的强度或权重。
模型训练和评估：使用已知的网络结构数据进行模型的训练，并通过验证集或交叉验证进行模型的选择和调优。评估时，可以使用一些常见的指标，如准确率、精确度、召回率、F1分数等来评估链路预测的性能。
3、使用PyTorch和DGL库实现图神经网络进行链路预测
导入必要的库，包括PyTorch和DGL。
import torch
import torch.nn as nn
import dgl定义图神经网络模型 GNNLinkPredict，模型包含两个图卷积层，输入特征维度为2，输出特征维度为1。
# 定义图神经网络模型
class GNNLinkPredict(nn.Module):
def __init__(self, in_feats, hidden_size, out_feats):
super(GNNLinkPredict, self).__init__()
self.conv1 = dgl.nn.GraphConv(in_feats, hidden_size)
self.conv2 = dgl.nn.GraphConv(hidden_size, out_feats)
def forward(self, g, features):
x = torch.relu(self.conv1(g, features))
x = torch.relu(self.conv2(g, x))
return x创建示例图数据 g，其中包括5个节点和7条边。定义节点特征 features，每个节点有两个特征值。定义标签 labels，表示边的连接情况。
# 构建示例图数据
# 创建一个有向图
g = dgl.DGLGraph()
g.add_nodes(5)
g.add_edges([0, 0, 0, 1, 1, 2, 3], [1, 2, 3, 2, 4, 3, 4])
# 定义节点特征
features = torch.tensor([
[0.2, 0.4],
[0.3, 0.5],
[0.4, 0.6],
[0.5, 0.7],
[0.6, 0.8]
])
# 定义标签（边是否存在连接）
labels = torch.tensor([1, 1, 1, 0, 0, 1, 0], dtype=torch.float32)
划分训练集和测试集，使用布尔类型的掩码 train_mask 和 test_mask 表示。
# 划分训练集和测试集
train_mask = torch.tensor([True, True, True, False, False])
test_mask = torch.tensor([False, False, False, True, True])
创建图神经网络模型实例 model。
定义优化器和损失函数，这里使用Adam优化器和二分类的交叉熵损失函数。
# 创建图神经网络模型
model = GNNLinkPredict(in_feats=2, hidden_size=16, out_feats=1)
# 定义优化器和损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
criterion = nn.BCEWithLogitsLoss()进行模型训练。循环迭代多个epoch，在每个epoch中执行以下步骤
- 将模型设置为训练模式
model.train()。- 前向传播计算预测结果
logits。- 计算预测结果与标签之间的损失。
- 清空优化器的梯度。
- 反向传播计算梯度。
- 更新模型参数。
# 训练模型
for epoch in range(50):
model.train()
logits = model(g, features)
pred = logits.squeeze()
loss = criterion(pred[train_mask], labels[train_mask])
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 打印训练损失
print(f"Epoch: {epoch + 1}, Loss: {loss.item()}")在测试集上评估模型。将模型设置为评估模式 model.eval()，然后使用训练好的模型对测试集进行预测。通过将预测结果应用sigmoid函数将其映射到0-1之间，并使用四舍五入将其转换为0或1的预测标签。计算预测准确率并输出。
# 在测试集上评估模型
model.eval()
with torch.no_grad():
logits = model(g, features)
pred = logits.squeeze()
pred = torch.sigmoid(pred) # 使用sigmoid函数将预测值映射到0-1之间
pred_labels = torch.round(pred) # 四舍五入为0或1的预测标签
accuracy = (pred_labels[test_mask] == labels[test_mask]).float().mean()
print(f"Accuracy: {accuracy.item()}")汇总的代码：
# https://www.dgl.ai/pages/start.html
import torch
import torch.nn as nn
import dgl
# 定义图神经网络模型
class GNNLinkPredict(nn.Module):
def __init__(self, in_feats, hidden_size, out_feats):
super(GNNLinkPredict, self).__init__()
self.conv1 = dgl.nn.GraphConv(in_feats, hidden_size)
self.conv2 = dgl.nn.GraphConv(hidden_size, out_feats)
def forward(self, g, features):
x = torch.relu(self.conv1(g, features))
x = torch.relu(self.conv2(g, x))
return x
# 构建示例图数据
# 创建一个有向图
g = dgl.DGLGraph()
g.add_nodes(5)
g.add_edges([0, 0, 0, 1, 1, 2, 3], [1, 2, 3, 2, 4, 3, 4])
# 添加自环
g = dgl.add_self_loop(g)
# 定义节点特征
features = torch.tensor([
[0.2, 0.4],
[0.3, 0.5],
[0.4, 0.6],
[0.5, 0.7],
[0.6, 0.8]
])
# 定义标签（边是否存在连接）
labels = torch.tensor([1, 1, 1, 0, 0, 1, 0], dtype=torch.float32)
# 划分训练集和测试集
train_mask = torch.tensor([True, True, True, False, False, False, False])
test_mask = torch.tensor([False, False, False, True, True, True, True])
# 创建图神经网络模型
model = GNNLinkPredict(in_feats=2, hidden_size=16, out_feats=1)
# 定义优化器和损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
criterion = nn.BCEWithLogitsLoss()
# 训练模型
for epoch in range(50):
model.train()
logits = model(g, features)
pred = logits.squeeze()
loss = criterion(pred[train_mask], labels[train_mask])
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 打印训练损失
print(f"Epoch: {epoch + 1}, Loss: {loss.item()}")
# 在测试集上评估模型
model.eval()
with torch.no_grad():
logits = model(g, features)
pred = logits.squeeze()
pred = torch.sigmoid(pred) # 使用sigmoid函数将预测值映射到0-1之间
pred_labels = torch.round(pred) # 四舍五入为0或1的预测标签
accuracy = (pred_labels[test_mask] == labels[test_mask]).float().mean()
print(f"Accuracy: {accuracy.item()}") 留下个问题有空再解决。
关于复杂网络建模，我前面写了很多，大家可以学习参考。
【复杂网络建模】——常用绘图软件和库_图论画图软件
【复杂网络建模】——Pytmnet进行多层网络分析与可视化
【复杂网络建模】——Python通过平均度和随机概率构建ER网络
【复杂网络建模】——通过图神经网络来建模分析复杂网络
【复杂网络建模】——Python可视化重要节点识别(PageRank算法)
【复杂网络建模】——基于Pytorch构建图注意力网络模型
【复杂网络建模】——基于微博数据的影响力最大化算法(PageRank)
