graph2vec를 사용해보자

graph2vec: Learning Distributed Representations of Graphs

 

graph2vec은 기존의 유명한 word2vec과 doc2vec의 방법을 착안해 Graph에서 subgraph를 추출하고 해당 subgraph를 임베딩 시켜 비슷한 그래프들은 비슷한 곳에 벡터화 될 것이라는 내용이다.

 

아래 블로거분이 너무 자세하게 설명해주셔서 이해가 쉬웠다. (사랑해요 😘 )

grpah2vec (MLG 2017)

 

처음에 구현을 할려고했는데, 다행이 이미 나와있다. (사랑해요 😍)

benedekrozemberczki/graph2vec

나는 운이 좋은 사람이다. 이렇게 다 나와있다니 .. 훌쩍.. 😢 

 

이야~ 아저씨 운이 좋아? 

위 깃헙 코드는를 이용해 graph2vec을 사용해보고자 한다.

requirements는 다음과 같다. 

jsonschema        2.6.0
tqdm              4.28.1
numpy             1.15.4
pandas            0.23.4
texttable         1.5.0
gensim            3.6.0
networkx          2.4
joblib            0.13.0
logging           0.4.9.6  

• jsonschema: 위 코드는 데이터를 다룰때 json을 사용함.
• tqdm: 파이썬 코드 진행 과정을 알려준다. 얼마전에 처음알았는데, 너무 좋다 😄
• numpy, pandas는 워낙 유명하기때문에 pass, numpy는 수치 데이터 다룰때 좋고, pandas는 데이터 분석 시 유용하다. 

wikidocs.net/32829 << 참고

위키독스

• testtable: creating simple ASCII tables
• gensim: 최신 통계 기계 학습을 사용하여 비지도 및 자연어 처리 오픈소스 라이브러리
• networkx: 그래프 생성할 때 유용한 라이브러리다.
• joblib: 병렬 프로그래밍, 학습모델 저장, 디스크 캐싱 

Python Sklearn의 joblib 라이브러리 알아보기

• logging: 응용 프로그램과 라이브러리를 위한 유연한 이벤트 로깅 시스템을 구현하는 함수와 클래스를 정의

위 깃헙 코드를 사용할 때 , 에러가 발생했다. 이는 파이썬 3.8이 기본으로 깔려있던 맥때문이였는데, 이때문에 파이썬 버전을 다운그레이하려고 노력했고, 그 결과 conda를 이용한 가상환경 설정으로 해결했다. 

mac os에 터미널을 이용해 아나콘다 설치하고 파이썬 버전을 설정한 가상환경 생성하기

아래와같이 간단하게 돌려본 결과 아주 잘된다 ^>^ 아헤헤 기분좋당

 

위에서 사용된 데이터 파일을 열어보면 아래와 같다. 굉장히 간단하다.

노드와 엣지를 담은 json파일이다. 

{"edges": [[11, 0], [11, 8], [10, 1], [10, 8], [10, 6], [13, 6], [13, 12], [13, 16], [12, 5], [12, 15], [15, 18], [14, 9], [14, 19], [14, 2], [17, 18], [17, 7], [17, 16], [3, 7], [5, 8], [4, 7], [9, 8]], "features": {"0": "14", "1": "1", "2": "1", "3": "1", "4": "1", "5": "2", "6": "2", "7": "2", "8": "3", "9": "3", "10": "3", "11": "3", "12": "3", "13": "3", "14": "3", "15": "3", "16": "3", "17": "3", "18": "3", "19": "3"}}

 

코드는 약 130줄로 굉장히 짧다. 라이브러리 import 한 것 줄바꿈 등등 .. 빼고 하면 거의 한 100줄.. 

 

흐름대로 코드를 분석해보자. 워낙 주석을 잘 달아놨고, 직관적으로 코드를 이쁘게 작성을 잘한탓에 바보라도 이해할 수 있을 정도이다...

존경,,, 코드 작성 방법도 많이 배울 수 있을 것 같아 분석해본다. 

 

1. main ()

일단 가장 먼저 기본적으로 파라미터로 들어온 값들은 파서를 이용해서 나누어 전달한다.

 document_collections = Parallel(n_jobs=args.workers)(delayed(feature_extractor)(g, args.wl_iterations) for g in tqdm(graphs))

위 코드를 뜯어보면 graph를  벡터화해 Doc2vec에 사용하기 위함이다.

Parallel은 joblibd에서 병렬처리를 가능케 해주는 함수이다. 이를 이용하여 workers 수대로 병렬처리를 하게 한다.

이 때, 병렬작업은 graph 마다 feature를 추출하고 가공한다.

 

함수 호출방법이 좀 특이한 것 같다. (feature_extractor)(g, args.wl_iterations) 이는 아래 함수를 호출한다.

 

2. def feature_extractor(path, rounds)

 

2-1.def dataset_reader(path)

 말 그대로 json 파일을 읽어오고 읽어온 파일로부터 networkx를 이용해 graph를 생성한다. 본 코드를 보니 feature가 필수는 아닌 듯하다. 이를 이용하면 단순 패턴 비교로는 좋을 듯하다.

 

2-2. weisfeilerLehmanMachine(graph, features, rounds)

호출하면 바로 메서드인 do_recursion을 실행하고 반복횟수만큼 do_a_recursion을 실행한다. 아, 이렇게 필수 실행 함수는 바로 실행되도록 하는 방법 좋은 것 같다.

 

2-2-1. do_a_recursion

 1) graph에 있는 노드를 하나씩 보면서 아래 코드를 실행한다.

#노드의 이웃을 nebs에 저장하고
nebs = self.graph.neighbors(node)
 
#이웃노드를 받고
degs = [self.features[neb] for neb in nebs]
 
 
#임베딩
features = [str(self.features[node])]\
           +sorted([str(deg) for deg in degs])
           
features = "_".join(features)
 
#hashlib를 이용하여 MD5( 128비트의 해시 값 )을 생성한다.(line 17까지)
#str에 encode()함수를 사용하면, unicode
hash_object = hashlib.md5(features.encode())
hashing = hash_object.hexdigest()
new_features[node] = hashing
 
 
# https://chioni.github.io/posts/gtv/ 위에 링크한 블로그분의 설명인데, 이 분은 tf를 이용해 구현한 
코드를 분석하셨다. 아래와 알고리즘은 동일하다.
 
get_int_node_label을 통해 이전 hob에서 취합한 sub graph 구조를 정수로 치환한다.
‘3+1’ (3노드 1노드) -> 31로 치환됨
‘4+3’ (4노드 3노드) -> 43로 치환됨
새로운 라벨을 얻는 과정을 기준 노드 뿐 아니라 기준 노드의 이웃들에게도 수행한다.
새로 얻어진 라벨들을 다시 ‘+’ 로 묶어준다. (‘31+42’가 새로운 기준 노드의 라벨이 된다)
 
결론은 노드값을 str로 변환하고 이웃노드 값들을 모두 합친 뒤 해시값으로 그래프를 벡터화 시킨 것

 

* python encode 함수 사용해보기

Python String encode() Method

Python Tryit Editor v1.0

그리고 바로 Doc2Vec() 함수를 이용하여 시작한다. Doc2vec은 gensim()에서 제공한다.

 

마지막으로 임베딩결과를 파일로 저장한다.(아래와 같이)

benedekrozemberczki/graph2vec

doc2vec 모델의 파라미터는 아래에서 확인할 수 있다. 

 

radimrehurek.com/gensim/models/doc2vec.html

Gensim: topic modelling for humans

min_count (int, optional) – Ignores all words with total frequency lower than this.

sample (float, optional) – The threshold for configuring which higher-frequency words are randomly downsampled, useful range is (0, 1e-5).

alpha (float, optional) – The initial learning rate.