标签传播分类为半监督的分类算法,原理为用已标记节点的标签信息去预测未标记节点的标签信息。本文为您介绍PAI-Designer(原PAI-Studio)提供的标签传播分类组件。

背景信息

标签传播分类算法的基本思路:在算法执行过程中,每个节点的标签按相似度传播给相邻节点,在节点传播的每一步,每个节点根据相邻节点的标签来更新自己的标签。与该节点相似度越大,其相邻节点对其标注的影响权值越大,相似节点的标签越趋于一致,其标签就越容易传播。在标签传播过程中,保持已标注数据的标签不变,使其像一个源头把标签传向未标注数据。最终,当迭代过程结束时,相似节点的概率分布也趋于相似,可以划分到同一个类别中,从而完成标签传播过程。

PAI-Designer(原PAI-Studio)支持通过可视化或PAI命令方式,配置标签传播分类组件的参数。

可视化方式

页签 参数 描述
字段设置 顶点表:选择顶点列 点表的点所在列。
顶点表:选择标签列 点表的点的权重所在列。
顶点表:选择权值列 边表的起点所在列。
边表:选择源顶点列 边表的终点所在列。
边表:选择目标顶点列 边表的终点所在列。
边表:选择权值列 边表边的权重所在列。
参数设置 最大迭代次数 可选,默认为30。
阻尼系数 默认为0.8。
收敛系数 默认为0.000001。
执行调优 进程数 作业并行执行的节点数。数字越大并行度越高,但是框架通讯开销会增大。
进程内存 单个作业可使用的最大内存量。系统默认为每个作业分配4096 MB内存,实际使用内存超过该值,会抛出OutOfMemory异常。

PAI命令方式

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;
参数 是否必选 描述 默认值
inputEdgeTableName 输入边表名。
inputEdgeTablePartitions 输入边表的分区。 全表读入
fromVertexCol 输入边表的起点所在列。
toVertexCol 输入边表的终点所在列。
inputVertexTableName 输入点表名称。
inputVertexTablePartitions 输入点表的分区。 全表读入
vertexCol 输入点表的点所在列。
outputTableName 输出表名。
outputTablePartitions 输出表的分区。
lifecycle 输出表的生命周期。
workerNum 作业并行执行的节点数。数字越大并行度越高,但是框架通讯开销会增大。 未设置
workerMem 单个作业可使用的最大内存量。系统默认为每个作业分配4096 MB内存,实际使用内存超过该值,会抛出OutOfMemory异常。 4096
splitSize 数据切分大小。 64
hasEdgeWeight 输入边表的边是否有权重。 false
edgeWeightCol 输入边表边的权重所在列。
hasVertexWeight 输入点表的点是否有权重。 false
vertexWeightCol 输入点表的点的权重所在列。
alpha 阻尼系数。 0.8
epsilon 收敛系数。 0.000001
maxIter 最大迭代次数。 30

使用示例

  1. 生成训练数据。
    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 from dual
        union all
        select 'a' as flow_out_id, 'c' as flow_in_id, 0.8 as edge_weight from dual
        union all
        select 'b' as flow_out_id, 'c' as flow_in_id, 1.0 as edge_weight from dual
        union all
        select 'd' as flow_out_id, 'b' as flow_in_id, 1.0 as edge_weight from dual
    )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 from dual
        union all
        select 'd' as node,'Y' as label, 1.0 as label_weight from dual
    )tmp;
    对应的图结构如下所示。标签传播分类图结构
  2. 查看训练结果。
    +------+-----+------------+
    | node | tag | weight     |
    +------+-----+------------+
    | a    | X   | 1.0        |
    | b    | X   | 0.16667    |
    | b    | Y   | 0.83333    |
    | c    | X   | 0.53704    |
    | c    | Y   | 0.46296    |
    | d    | Y   | 1.0        |
    +------+-----+------------+