使用 $\textit{Node2vec+}$ 精确建模加权图上的偏置随机游走

节点嵌入是一种表示图中每个节点结构角色的有力方法。$\textit{Node2vec}$ 是一种广泛使用的节点嵌入方法，通过在图上通过偏置随机游走探索局部邻域来工作。然而，$\textit{node2vec}$ 在计算游走偏置时未考虑边权重。这一固有局限阻碍了 $\textit{node2vec}$ 利用加权图中的所有信息，进而限制了其在许多加权且稠密的真实网络中的应用。在此，我们将 $\textit{node2vec}$ 自然扩展为 $\textit{node2vec+}$，在计算游走偏置时考虑边权重，但在无加权图或无偏游走情况下退化为 $\textit{node2vec}$。我们使用两个合成数据集实证表明，在加权图上 $\textit{node2vec+}$ 比 $\textit{node2vec}$ 对加性噪声更具鲁棒性。我们还证明，在常用的多标签基准数据集（Wikipedia）上，$\textit{node2vec+}$ 显著优于 $\textit{node2vec}$。此外，我们在两个蛋白质-蛋白质相互作用网络上使用各种具有挑战性的基因分类任务，将 $\textit{node2vec+}$ 与 GCN 和 GraphSAGE 进行对比测试。尽管 GCN 和 GraphSAGE 具有一些明显优势，它们与 $\textit{node2vec+}$ 表现相当。最后，$\textit{node2vec+}$ 可用作生成偏置随机游走的通用方法，惠及所有构建于 $\textit{node2vec}$ 之上的现有方法。$\textit{Node2vec+}$ 作为 $\texttt{PecanPy}$ 的一部分实现，可在 https://github.com/krishnanlab/PecanPy 获取。