仅网络贝叶斯分类器的伪代码

Question

我正在尝试使用igraph和python为单变量网络数据实施分类工具包。

然而，我的问题实际上更多的是关系分类领域的算法问题，而不是编程。

我正在关注Classification in Networked Data论文。

我很难理解本文所涉及的内容＆＃34; 仅网络贝叶斯分类器＆＃34;（NBC），它是本文中解释的关系分类器之一。

我之前使用词包特征表示为文本数据实现了Naive Bayes分类器。关于文本数据Naive Bayes的想法在我的脑海中清晰可见。

我认为这种方法（NBC）是将相同想法简单地翻译成关系分类区域。但是，我对方程中使用的符号感到困惑，所以我无法弄清楚发生了什么。我对论文here中使用的符号也有疑问。

NBC在第14页the paper，

中有解释

要点：

我需要在paper，第14页中解释＆＃34; 仅网络贝叶斯分类器＆＃34;（NBC）的伪代码。

伪码表示法：

1. 让我们调用vs图表中的顶点列表。 len(vs)是 长度。 vs[i]是第i个顶点。
2. 假设我们有一个单变量和二元情形，即vs[i].class是0或1，并且节点没有其他给定的功能。
3. 假设我们之前运行本地分类器，以便每个节点都有一个初始标签，由本地分类器计算。我只对关系分类器部分感兴趣。
4. 让我们调用v我们想要预测的顶点，v.neighbors()是v的邻居顶点列表。
5. 假设所有边权均为1。

现在，我需要伪代码：

def NBC(vs, v):
   # v.class is 0 or 1
   # v.neighbors is list of neighbor vertices
   # vs is the list of all vertices

   # This function returns 0 or 1

修改

为了让您的工作更轻松，我做了example。我需要最后2个方程的答案。

Answer 1

用言语......

节点x_i属于类c的概率等于：

• 如果x_i，则N_i（称为x）邻域的概率 确实属于班级c;乘以......
• 班级c本身的概率;除以......
• 邻居N_i（节点x_i）本身的概率。

关于邻居N_i（x_i）如果x属于班级c的概率，则等于：< / p>

• 概率product; （哪个概率？）
• 如果v_j确实属于班级N_i，则邻域（c）的某个节点（x）属于班级c的概率
  • （提升到连接正在检查的节点和正在分类的节点的边缘的重量......但是你对此感兴趣......）。 （这里的符号有点偏离我认为，为什么他们定义v_j然后从不使用它？......无论如何）。

• 最后，将product of some probability与某些1/Z相乘。为什么？因为所有p都是probabilities因此在0到1的范围内，但权重w可能是任何东西，这意味着最终，计算出的概率可能超出范围。

• 某些x_i属于某个班级c的可能性 来自其邻居的证据是后验概率。 （后 什么东西......这是什么东西？ ......请见下文）

• 如果N_i出现邻居x_i的可能性 属于班级c的是似乎。

• 班级c本身的概率是先验概率。 之前有什么......这是什么东西？证据。先前的 告诉你没有任何证据的班级概率 提出，但后验告诉你具体的概率 事件（x_i属于c）给予其证据 附近。

之前的，可以是主观的。也就是说，通过有限的观察得出或者是知情的意见。换句话说，它不一定是人口分布。它只需要足够准确，而不是绝对已知。

似乎更具挑战性。虽然我们在这里有一个公式，但必须从足够大的人口或尽可能多的关于现象的“物理”知识来估计这种可能性。

在产品中（表达似然性的第二个等式中的大写字母Pi），您有条件。条件是如果x属于类c，则邻域节点属于某个类的概率。

在Naive Bayesian Classifier的典型应用中，即document classification（例如垃圾邮件），an email is spam GIVEN THE APPEARANCE OF SPECIFIC WORDS IN ITS BODY 派生的条件由庞大的数据库组成观察，或者，一个巨大的电子邮件数据库，我们真的，绝对知道他们属于哪个类。换句话说，我必须知道垃圾邮件是如何形成的，并且最终大多数的垃圾邮件汇集到一些共同的主题（我是一些银行官员，我有钱机会）为了你，给我你的银行详细信息，给你汇款，让你变得富有......）。

如果没有这方面的知识，我们就无法使用贝叶斯规则。

所以，回到你的具体问题。在PDF中，您在产品的派生中有一个问号。

完全。

所以真正的问题是：图表/数据中的似然是什么？

（... 或你要从哪里推导出它？（显然，大量已知的观察 OR 对这种现象的一些了解。例如，如果节点被感染的可能性是多少，因为其邻居的一部分也被感染了。）。

我希望这会有所帮助。