標簽傳播分類
標簽傳播分類為半監(jiān)督的分類算法,原理為用已標記節(jié)點的標簽信息去預測未標記節(jié)點的標簽信息。標簽傳播分類組件能夠輸出圖中所有節(jié)點對應的標簽及其權重占比。
算法說明
在算法執(zhí)行過程中,每個節(jié)點的標簽按相似度傳播給相鄰節(jié)點,在節(jié)點傳播的每一步,每個節(jié)點根據(jù)相鄰節(jié)點的標簽來更新自己的標簽。與該節(jié)點相似度越大,其相鄰節(jié)點對其標注的影響權值越大,相似節(jié)點的標簽越趨于一致,其標簽就越容易傳播。在標簽傳播過程中,保持已標注數(shù)據(jù)的標簽不變,使其像一個源頭把標簽傳向未標注數(shù)據(jù)。最終,當?shù)^程結束時,相似節(jié)點的概率分布也趨于相似,可以劃分到同一個類別中,從而完成標簽傳播過程。
配置組件
方法一:可視化方式
在Designer工作流頁面添加標簽傳播分類組件,并在界面右側配置相關參數(shù):
參數(shù)類型 | 參數(shù) | 描述 |
字段設置 | 頂點表:選擇頂點列 | 點表的點所在列。 |
頂點表:選擇標簽列 | 點表的點的標簽所在列。 | |
頂點表:選擇權值列 | 點表的點的權重所在列。 | |
邊表:選擇源頂點列 | 邊表的起點所在列。 | |
邊表:選擇目標頂點列 | 邊表的終點所在列。 | |
邊表:選擇權值列 | 邊表邊的權重所在列。 | |
參數(shù)設置 | 最大迭代次數(shù) | 最大迭代次數(shù),默認值為30。 |
阻尼系數(shù) | 阻尼系數(shù),默認值為0.8。 | |
收斂系數(shù) | 收斂系數(shù),默認值為0.000001。 | |
執(zhí)行調優(yōu) | 進程數(shù) | 作業(yè)并行執(zhí)行的節(jié)點數(shù)。數(shù)字越大并行度越高,但是框架通訊開銷會增大。 |
進程內存 | 單個作業(yè)可使用的最大內存量,單位:MB,默認值為4096。 如果實際使用內存超過該值,會拋出 |
方法二:PAI命令方式
使用PAI命令配置標簽傳播分類組件參數(shù)。您可以使用SQL腳本組件進行PAI命令調用,詳情請參見場景4:在SQL腳本組件中執(zhí)行PAI命令。
PAI -name LabelPropagationClassification
-project algo_public
-DinputEdgeTableName=LabelPropagationClassification_func_test_edge
-DfromVertexCol=flow_out_id
-DtoVertexCol=flow_in_id
-DinputVertexTableName=LabelPropagationClassification_func_test_node
-DvertexCol=node
-DvertexLabelCol=label
-DoutputTableName=LabelPropagationClassification_func_test_result
-DhasEdgeWeight=true
-DedgeWeightCol=edge_weight
-DhasVertexWeight=true
-DvertexWeightCol=label_weight
-Dalpha=0.8
-Depsilon=0.000001;
參數(shù) | 是否必選 | 默認值 | 描述 |
inputEdgeTableName | 是 | 無 | 輸入邊表名。 |
inputEdgeTablePartitions | 否 | 全表讀入 | 輸入邊表的分區(qū)。 |
fromVertexCol | 是 | 無 | 輸入邊表的起點所在列。 |
toVertexCol | 是 | 無 | 輸入邊表的終點所在列。 |
inputVertexTableName | 是 | 無 | 輸入點表名稱。 |
inputVertexTablePartitions | 否 | 全表讀入 | 輸入點表的分區(qū)。 |
vertexCol | 是 | 無 | 輸入點表的點所在列。 |
outputTableName | 是 | 無 | 輸出表名。 |
outputTablePartitions | 否 | 無 | 輸出表的分區(qū)。 |
lifecycle | 否 | 無 | 輸出表的生命周期。 |
workerNum | 否 | 未設置 | 作業(yè)并行執(zhí)行的節(jié)點數(shù)。數(shù)字越大并行度越高,但是框架通訊開銷會增大。 |
workerMem | 否 | 4096 | 單個作業(yè)可使用的最大內存量,單位:MB,默認值為4096。 如果實際使用內存超過該值,會拋出 |
splitSize | 否 | 64 | 數(shù)據(jù)切分的大小,單位:MB。 |
hasEdgeWeight | 否 | false | 輸入邊表的邊是否有權重。 |
edgeWeightCol | 否 | 無 | 輸入邊表邊的權重所在列。 |
hasVertexWeight | 否 | false | 輸入點表的點是否有權重。 |
vertexWeightCol | 否 | 無 | 輸入點表的點的權重所在列。 |
alpha | 否 | 0.8 | 阻尼系數(shù)。 |
epsilon | 否 | 0.000001 | 收斂系數(shù)。 |
maxIter | 否 | 30 | 最大迭代次數(shù)。 |
使用示例
添加SQL腳本組件,輸入以下SQL語句生成訓練數(shù)據(jù)。
drop table if exists LabelPropagationClassification_func_test_edge; create table LabelPropagationClassification_func_test_edge as select * from ( select 'a' as flow_out_id, 'b' as flow_in_id, 0.2 as edge_weight union all select 'a' as flow_out_id, 'c' as flow_in_id, 0.8 as edge_weight union all select 'b' as flow_out_id, 'c' as flow_in_id, 1.0 as edge_weight union all select 'd' as flow_out_id, 'b' as flow_in_id, 1.0 as edge_weight )tmp ; drop table if exists LabelPropagationClassification_func_test_node; create table LabelPropagationClassification_func_test_node as select * from ( select 'a' as node,'X' as label, 1.0 as label_weight union all select 'd' as node,'Y' as label, 1.0 as label_weight )tmp;
對應的數(shù)據(jù)結構圖:
添加SQL腳本組件,輸入以下PAI命令進行訓練。
drop table if exists ${o1}; PAI -name LabelPropagationClassification -project algo_public -DinputEdgeTableName=LabelPropagationClassification_func_test_edge -DfromVertexCol=flow_out_id -DtoVertexCol=flow_in_id -DinputVertexTableName=LabelPropagationClassification_func_test_node -DvertexCol=node -DvertexLabelCol=label -DoutputTableName=${o1} -DhasEdgeWeight=true -DedgeWeightCol=edge_weight -DhasVertexWeight=true -DvertexWeightCol=label_weight -Dalpha=0.8 -Depsilon=0.000001;
右擊上一步的組件,選擇查看數(shù)據(jù) > SQL腳本的輸出,查看訓練結果。
| node | tag | weight | | ---- | --- | ------------------- | | a | X | 1.0 | | c | X | 0.5370370370370371 | | c | Y | 0.4629629629629629 | | b | X | 0.16666666666666666 | | b | Y | 0.8333333333333333 | | d | Y | 1.0 |