Meta Path Based Random Walk复现思路【基于元路径的随机游走模型】

article/2025/9/11 18:28:28

title: Meta Path Based Random Walk
date: 2022-02-13 00:43:08
tags: NLP的一些收获

课题原因需要复现ARNN模型。即“An Attentional Recurrent Neural Networkfor Personalized Next Location Recommendation”这篇论文，早就听说随机游走模型以及PageRank之类的算法，现在算是自己动手复现了，因为其中需要使用随机游走来获得每个POI的neighbors，从而训练attention的权重。

本文详述该游走模型的复现思路，代码连接会给出，注释充足便不赘述，当然想必也存在不足，如有发现问题，还望及时提出以便修改。

首先描述一下随机游走（random walk）模型，给定一个含有n个节点都有向图，在有向图上定义随机游走，也就是一阶马尔可夫链，节点可用来表示状态，有向边表示状态之间的转移。

这里有一个假设，从一个节点通过有向边相连的所有节点的转移概率相等，当节点的type相同时，可以将转移关系描述为n阶的转移矩阵 $M$ 。

$M = [m_{ij}]_{n\times n}$

它描述的是列下标对应的节点转移至行下标对应的节点的概率，换句话说， $m_{ij}$ 是j节点指向i节点的概率。那么它的性质也有了。第一个共识很显然，第二个就是如果存在由j指向i的有向边，那么该位置的值位j节点的出度分之一，理由就是他们是等概率的。

$\sum_{i = 1}^{n}m_{ij} = 1$ $if~~j->i~:~m_{ij} = \frac{1}{d^{+}_{j}}$

这个矩阵 $M$ 也叫做随机矩阵（stochastic matrix）。

可以理解， $M$ 是用来进行表征节点的转移偏好的，但游走过程不仅由转移偏好决定，同时也受转移的起点决定。所以提出一个n维向量 $V_t$ 来表征t时刻转移前，本次转移过程的初始节点的概率分布。

$V_t \epsilon \mathbb{R}^{n \times 1}$

那么：

$V_{t+1} = M V_{t}$

这里得到的t+1时间步的V就是时间步t这次转移活动在 $V_t$ 初始分布前提下的转移结果分布，因此，可以以这种方式进行迭代，从而进行多次游走。

那么基于元路径的随机游走，大体与之相同，但是也有区别。既然要引入meta path的概念，那么图中节点的种类就不是唯一的，在ARNN要解决的任务中，图中存在三类节点，L:地点，U：访问者，V：地点种类，他们构成图。而基于“LL”、“LVL”、“LUL”这三类元路径的路径都要分别以他们为路径元素type的最小重复单元。

也就是每次转移的随机矩阵是需要不同的，“LL”就与上面讲的一样，而对“LVL”而言，需要两个随机矩阵，分别是(num_v, n)与(n, num_v)，前者与地点分布向量相乘（单个path起点loc为1，其余均为0），从而得到type为v的节点概率分布向量，后者再与地点种类分布向量相乘，又得到地点分布向量，然后继续如此迭代。

“LUL”也是如此。

需要注意的是，这里我虽然将三类节点统一编码，并用三元组构成图谱，但并没有将所有类型的节点放在同一个tensor里，而是meta path在当前需要什么类型，我就单独把起点与终点的类型的节点构成tensor来进行计算，拓扑上讲就是讲图拆分，但是概率依赖关系不受影响。因为我认为所有实体的个数作为tensor的大小用来计算，效率会很低，不如拆分成多组tensor，直观且高效。

思路就是这样，代码实现方面，一开始按照@Xinbo Wu复现Personalised Page Rank的方法编写，使用dict来进行矩阵运算，结果显然是差强人意的，面对foursquare的数据运算效率就已经无法接受了，因此使用tensor放到GPU上进行运算，结果明显快了很多，效率勉强让人接受，其实也许可以通过解决矩阵稀疏的问题再加快游走效率，作者目前能力有限，没找到能更加提高效率的办法，希望大家给予思路。

代码链接如下：
https://github.com/hhy-huang/Meta-Path-Based-Random-Walk

【参考《统计学习方法》李航】