在神经网络中使用图属性作为输入

Question

我有将近1000个熊猫DataFrame，并将其转换为图形。现在，我可以访问这些图的边缘和节点。对于一个DataFrame，它看起来如下：

nx.edges(FG)

Out[59]: EdgeView([('Dy0O7', 'Dy1O6'), ('Dy0O7', 'Dy2O6'), ('Dy0O7', 'Dy3O7'), ('Dy0O7', 'Dy4O6'), ('Dy1O6', 'Dy3O7'), ('Dy1O6', 'Dy5O6'), ('Dy2O6', 'Dy4O6'), ('Dy3O7', 'Dy4O6'), ('Dy3O7', 'Dy5O6')])

nx.nodes(FG)

Out[61]: NodeView(('Dy0O7', 'Dy1O6', 'Dy2O6', 'Dy3O7', 'Dy4O6', 'Dy5O6'))

我还可以有一个邻接视图，该视图提供了具有相应权重的已连接节点的信息。

FG.adj

Out[64]: AdjacencyView({'Dy0O7': {'Dy1O6': {'weight': 3.0}, 'Dy2O6': {'weight': 1.0}, 'Dy3O7': {'weight': 2.0}, 'Dy4O6': {'weight': 1.0}}, 'Dy1O6': {'Dy0O7': {'weight': 3.0}, 'Dy3O7': {'weight': 1.0}, 'Dy5O6': {'weight': 1.0}}, 'Dy2O6': {'Dy0O7': {'weight': 1.0}, 'Dy4O6': {'weight': 1.0}}, 'Dy3O7': {'Dy0O7': {'weight': 2.0}, 'Dy1O6': {'weight': 1.0}, 'Dy4O6': {'weight': 3.0}, 'Dy5O6': {'weight': 1.0}}, 'Dy4O6': {'Dy0O7': {'weight': 1.0}, 'Dy2O6': {'weight': 1.0}, 'Dy3O7': {'weight': 3.0}}, 'Dy5O6': {'Dy1O6': {'weight': 1.0}, 'Dy3O7': {'weight': 1.0}}})

我想将这样的图形属性用作NN等机器学习算法的输入，我们该怎么做？

Answer 1

有很多算法可以将Graph转换为特征向量。两个著名的例子是：

斯坦福的
• Node2vec
• Deepwalk，来自Univ。舍布鲁克

它们的实现存在于GitHub上。

这些方法之间的基本思想几乎相同：1）随机游走2）生成一些序列3）word2vec（跳过图）或其他DL方法4）在其他Task中将输出用作特征向量。