Node2vec是一種用於圖嵌入（Graph Embedding）的方法，可用於節點分類、社群發現和連結預測等任務。
首先，讓我們載入所需的Python函式庫並執行以下程式碼以載入Cora資料集：
import networkx as nx
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.manifold import TSNE
from node2vec import Node2Vec
# 加载Cora数据集
cora = pd.read_csv('cora/cora.content', sep='\t', header=None)
cited_in = pd.read_csv('cora/cora.cites', sep='\t', header=None,
names=['target', 'source'])
nodes, features = cora.iloc[:, :-1], cora.iloc[:, -1]其中cora.content 包含了所有節點特徵訊息，總共具有2708個節點和1433個特徵；而cora.cites 透過引文映射分別針對所述每個節點建立一個節點間的有向邊關係，共有5429個邊。接下來，我們需要將節點特徵和引用資訊合併，建構圖結構。
# 定义函数：构造基于Cora数据集的图结构
def create_graph(nodes, features, cited_in):
nodes.index = nodes.index.map(str)
graph = nx.from_pandas_edgelist(cited_in,
source='source',
target='target')
for index, row in nodes.iterrows():
node_id = str(row[0])
features = row.drop(labels=[0])
node_attrs = {f'attr_{i}': float(x) for i, x in enumerate(features)}
if graph.has_node(node_id) == True:
temp = graph.nodes[node_id]
temp.update(node_attrs)
graph.add_nodes_from([(node_id, temp)])
else:
graph.add_nodes_from([(node_id, node_attrs)])
return graph
# 构建图
graph = create_graph(nodes, features, cited_in)此函數將 cora.content 中的節點特徵與 cora.cites 的有向邊整合，並在圖上標記它們。現在我們已經建立了一個圖形視圖，可以按想法視覺化。
為了進行節點特徵分類，我們需要從網路中提取一些資訊並將其作為輸入傳遞給分類器。一個範例是使用節點2向量方法將提取的資訊轉換為向量表達式，使每個節點至少具有一個維度。
透過隨機遊走樣本從起始節點到目標節點，Node2Vec模型學習代表每個節點的向量。節點2Vec模型定義隨機遊走過程中節點間的轉移機率。
我們將使用 node2vec 函式庫來產生圖形的嵌入表示，並採用神經網路進行節點分類。
# 定义函数：创建基于Cora数据集的嵌入
def create_embeddings(graph):
# 初始化node2vec实例，指定相关超参数
n2v = Node2Vec(graph, dimensions=64, walk_length=30,
num_walks=200, p=1, q=1, weight_key='attr_weight')
# 基于指定参数训练得到嵌入向量表达式
model = n2v.fit(window=10, min_count=1, batch_words=4)
# 获得所有图中节点的嵌入向量
embeddings = pd.DataFrame(model.wv.vectors)
ids = list(map(str, model.wv.index2word))
# 将原有的特征和id与新获取到的嵌入向量按行合并
lookup_table = nodes.set_index(0).join(embeddings.set_index(embeddings.index))
return np.array(lookup_table.dropna().iloc[:, -64:]), np.array(list(range(1, lookup_table.shape[0] + 1)))
# 创建嵌入向量
cora_embeddings, cora_labels = create_embeddings(graph)透過以上程式碼，我們可以得到每個節點的64維節點嵌入表達。
接下來我們將指定一些分類器並在Cora資料集上訓練它們，以期根據嵌入進行準確的節點分類操作。
from sklearn import svm, model_selection, metrics
# 使用支持向量机作为示范的分类器
svm_model = svm.SVC(kernel='rbf', C=1, gamma=0.01)
# 进行交叉验证和分类训练
scores = model_selection.cross_val_score(
svm_model, cora_embeddings, cora_labels, cv=5)
print(scores.mean())為了獲得更好的效能，支援向量機作為分類器時，我們還需要對其進行相關調參操作。此處採取了5折交叉驗證的方式對其性能進行評估輸出。
為了更好地理解，我們需要將人類難以理解的64維特徵表達進行降維處理以實現視覺化。 t-SNE是一種專門用於降低高維度資料複雜度的方法，我們在這裡使用它。它產生一個二維圖，相似節點之間緊密地聚集在一起，而這個圖是透過輸出僅包含兩個元素的機率分佈向量來實現的。
# 定义函数：可视化Nodes2Vec的结果
def visualize_results(embeddings, labels):
# 使用t-SNE对数据进行降维并绘图
tsne = TSNE(n_components=2, verbose=1, perplexity=40, n_iter=300)
tsne_results = tsne.fit_transform(embeddings)
plt.figure(figsize=(10, 5))
plt.scatter(tsne_results[:,0], tsne_results[:,1], c=labels)
plt.colorbar()
plt.show()
# 可视化结果
visualize_results(cora_embeddings, cora_labels)Node2Vec產生的嵌入向量將被輸入到t-SNE中，其中t-SNE將64維向量表達進行了降維，並輸出我們可以使用 matplotlib 庫可視化的二維散點圖。大多數相關節點是否緊密聚集，可以在圖形介面中進行檢查。
以上是python基於Node2Vec怎麼實現節點分類及其視覺化的詳細內容。更多資訊請關注PHP中文網其他相關文章！
