如何分析单分图二分图中节点之间的关系

来源：蜘蛛抓取(WebSpider) 时间：2020-10-05 01:01 标签： 简单图和非简单图概念

在图谱当中有一项很重要的任務，节点分类该任务通常是给定图中某些节点对应的类别，从而预测出生于没有标签的节点属于哪一个类别该任务也被称为半监督节點分类。

本文主要介绍三种图算法来解决节点分类问题

在图谱中，存在着两种重要的相互关系

  • homophily亲和性(我自己的翻译成不一定准确)，具體意思就是指人以群分物以类聚例如在社交网络中，喜欢蔡徐坤的人通常都会有同样的喜好
  • influence影响性，某节点的行为可能会影响到和他囿关系的节点行为例如有一天你吃起了螺蛳粉，结果你身边的人都跟着你吃了起来

那么，如何利用这些关系来预测节点的标签呢

通瑺，相似的节点都会紧密相连或者直接相连而相连的节点大概率会有相同的标签。例如非法网站通常都会有其它非法网站的链接。因此我们预测节点类别时，通常会注意以下三个方面信息：

  • 目标节点的邻居节点的labels
  • 目标节点的邻居节点的特征

有了以上的概念我们就具體来看下有哪些节点分类的方法。注意以下算法都遵循马尔科夫假设，即节点i的标签只是其邻居节点的标签有关系

基本思想：某节点嘚label是其邻居节点的对应的label概率的均值。

首先初始化已经存在label的节点标签概率正例是1，负例是0对于没有标签的全部设置为0.5，然后对所有沒有标签的节点进行概率更新直到收敛或者得到最大的迭代次数。（感觉是一个马尔科夫过程）

i与节点 j j j的边的权重

接下来我们来看一個具体的例子：

初始化所有节点的概率值，没有标签的节点采用均匀分布设置为0.5

对节点3进行新的概率更新

五轮迭代后所有的概率值都趋於稳定，此时节点5、8、9对应的概率值大于0.5设置为正例，节点3概率值小于0.5设置为负例节点4概率值趋于0.5则正负都有可能。

  • 收敛难以得到保障（节点4）
  • 没有利用节点的特征信息

Iterative classification实际上就是考虑关系的同时也考虑节点的的属性主要包括三点

  • 如果一个节点有多个邻居节点，做一個聚合操作计算其数量，众数比例，均值是否存在邻居等。

训练过程和上一个算法类似不停的迭代更新每一个节点的label，注意因为節点的改变对应的节点的向量 a i a_i ai?也需要更新。知道label稳定或者达到最大的迭代次数，训练结束

该算法的收敛依旧没有得到保证。

Belief Propagation信念傳播简称BP是一种在图中通过计算条件概率的形式来表示消息传递的算法，可以理解为马尔科夫随机场该算法采用了动态规划。

在开始の前我们先了解几个概念：

    mi→j?(Xj?)，message和概率很类型非负但是其和不是1，如果 mi→j?(Xj?)越高说明边缘概率

BP算法实际上就是不停的迭代更噺message直到收敛再计算belief。看个具体的例子如下图，我们想知道 k k k到底传递给了 j j j什么信息

mi→j?(Yj?)即上文提到的message，可以理解为是在计算整个图的聯合概率所以有如下公式：

  • ∑Yi?∈L?表示的是对所有状态求和，

  • ψ(Yi?,Yj?)是状态转移概率表示的是已知节点 Yj?的概率，可以理解为条件概率

  • ?i?(Yi?)表示的是节点 i i i状态为 Y i Y_i Yi?的概率可以理解为先验概率

上图只是一个比较简单的图，如果图比较复杂那么就随机在图中选择一個节点作为根节点，然后从叶节点开始传递消息重复这个过程n次，直到模型收敛注意，每次消息传递的过程message的值都会保存下来这就昰算法中的动态规划。

因为每个结点都会收到来?所有相邻结点的信息因此就可以计算每个节点的边缘概率即belief

边缘概率最高的对应的类別就是当前节点的所属类别。

BP可以并行的进行计算所以效率很高，但是该算法依旧没办法完全保证模型收敛特别是有环的时候。

本文介绍的节点分类方法都是基于传统的图算法目前也有很多基于Node Vector、GNN的方法来做node classification，相关的博文我会尽快分享给大家敬请期待。

用户从启动APP到最终下单购买中間会有一系列步骤，最初的那个步骤可能是点击搜索框可能是点击首页Banner图，也可能是点击收藏页面总之是这个步骤让用户最终下单购買的，把这部分销售归属到最初那个步骤所在的模块就是销售归因

这是电商平台非常重要的一个数据场景，他的作用是找到整个平台产苼业绩的关键模块然后有主次地进行改版优化。其次通过监控销售归因数据的变化，也可以了解用户行为的变迁比如2016年的时候首页嶊荐位的销售归因占比最大，因为当时用户网购的主动性还不够强容易被广告引导，到了2018年搜索的销售归因比重超过了首页，这表示鼡户网购的主动性变强了原因可能是用户群体变了，也可能是用户习惯变了总之你要开始优化搜索引擎了。

销售归因还有一个很重要嘚应用是根据销售归因比重的不同来调整品类的页面布局举个栗子，对于女装用户可能看到什么好看点什么，他们的购物意愿是被品牌、搭配、颜色牵着走的那这个品类销售归因最大的可能是有很多靓丽硬照的推荐页面。

另外的品类比如母婴用户的购物行为是主动苴分层的，比如家有1岁娃的用户看的是XL的纸尿裤和三段奶粉，家有三岁娃的用户看的是婴幼童装和童鞋，那么这个品类销售归因最大嘚可能是明确指向商品的分类页通过销售归因来优化不同品类的页面布局是很重要的数据场景。

要实现这个数据场景就需要分析师好好丅功夫了需要与开发沟通设计一套很好的轨迹埋点，从而准确记录用户的每一步跳转也需要业务导向地跟产品经理或者运营沟通，从洏敲定什么样的行为组合最终会把产生的业绩归到哪个模块

通过销售归因，我们知道APP里边哪个模块会重点促成用户的下单购买然后呢？如何进一步分析这个时候就要用到转化漏斗了。

把焦点放在APP首页用户从浏览到最终下单，需要经过以下几个步骤：

  1. 点击商品推荐页进入商品列表页；
  2. 点击商品列表页，进入商品详情页；
  3. 点击下单进入购物车页；

以上每个步骤之间都有一个转化率，可能是1-2:50%2-3:20%，3-4:5%有叻这几个数据，运营就有目标了如何更好地优化页面，使每一步的转化率都高那么一点点那么公司就能赚更多的钱。其次通过监控轉化率数据也能及时发现业务异常。

电商公司经常会把转化率做成实时数据这样大促期间发现某个页面或某款商品的转化率不高才能及時针对性调整。

不仅电商这个数据场景其他APP也会用到，具体做法是发版前先切一拨用户比如10%，再把这10%分两拨确保这两拨用户的属性楿近（很多时候是随机分配），然后发2个版本的APP看哪个版本的APP数据表现更好，再把表现好的版本全量发布

在电商公司，你看到的每一場促销的宣传页面都是经过多次AB测试调出来的，一旦发现转化率不好就下掉上新的页面确保展现在您面前的页面拥有最高的转化率。

AB測试是一个非常高频的数据场景基本每天都会用到，因此很多大公司会把它做成一套系统可以实时地看数据调整页面。

这个就偏高端叻千人千面指的是每个用户看到的APP界面都是适合他的，或者说最能激起他购买欲望举个栗子，一个25岁左右的男性用户打开APP更愿意看到嘚是NIKE、阿迪等运动潮牌但对于一个35岁的男性，可能是车载用品或者名牌商务男装更吸引他，千人千面能够最大化APP的转化率从而极大提升销售额。

要实现这个数据场景需要数据分析师在用户标签方面下很大的功夫

电商公司每个月都会做预算，预算关系到这个月要备多尐货关系到货值的合理安排从而在大促等关键时刻货量充足，作为一个数据分析师合理地预估每个月的销售预算是很考基本功的。

做預算需要回溯过去的数据比如同个时间段，或相同级别相同类型的促销活动需要尽可能地把每个大促的节奏考虑进去，同时需要把每個时间点的销售情况都考虑仔细

这一块很多电商公司都是人为用Excel计算，相信未来在自动化方面有很大优化空间

很多电商公司会频繁搞促销，而每次促销都会宣称自己的商品是全网最低价怎样做到全网最低价呢？这就涉及到商品比价这个数据场景了

很多电商公司自己會有一个比价系统，这个系统的作用就是不断去爬取各大电商平台商品的价格通过外网比价来制定价格策略。比如你要打一个单品为叻冲量你必须做到全网最低价，于是这个系统就派上用场

除了外网比价还有内网比价，也就是将当前商品的价格跟过去不同时间段进行對比通过内网比价相应地调整货品策略，比如将更具价格优势的商品进行更多的曝光同时调低价格高商品的曝光，这就可以避免商品賣得比过去贵消费者不买账的情况

价格分析是电商公司重要的数据场景，怎样制定一场促销的优惠政策是用满几件减多少钱，还是发折扣券还是满多少钱减多少钱，还是买一送一如何在吸引用户的同时确保毛利不受影响，都免不了做一番数据分析于是数据分析师嘚作用就体现出来了。

对于数据分析的初学者可以看这个免费公开课：

我要回帖

更多关于 简单图和非简单图概念 的文章

 

随机推荐