理论考量

本页面详细介绍了 GDS 中链接预测相关的理论概念。这并非强制性阅读，但有助于加深理解。

指标

Neo4j GDS 库中的链接预测管道支持以下指标：

  • AUCPR

  • OUT_OF_BAG_ERROR （仅适用于随机森林，且仅提供验证分数）

AUCPR 指标是“精确率-召回率曲线下面积”（Area Under the Precision-Recall Curve）的缩写。对于随机森林模型，也支持 OUT_OF_BAG_ERROR 指标。为了计算精确率和召回率，我们需要一组示例，每个示例都带有正标签或负标签。对于每个示例，我们还有一个预测标签。给出真实标签和预测标签，我们可以计算精确率和召回率（参考，例如 维基百科）。

接着，为了计算 AUCPR，我们构建精确率-召回率曲线，具体如下：

  • 每个预测都关联一个预测强度。我们将示例按预测强度降序排序。

  • 对于所有出现的预测强度，我们将其用作阈值，并将所有强度达到或高于该阈值的示例视为正标签。

  • 现在我们计算精确率 p 和召回率 r，并将元组 (r, p) 视为曲线上的一个点，即精确率-召回率曲线。

  • 最后，曲线进行线性插值，面积计算为以这些点为顶点的梯形集合的并集。

这条曲线将呈现类似以下形状：

precision-recall curve with trapezoid

请注意，此处的蓝色区域显示了曲线下的一个梯形。

精确率-召回率曲线下的面积也可以解释为平均精确率，其中平均值是针对不同的分类阈值计算的。

OUT_OF_BAG_ERROR 仅针对随机森林模型计算，其评估方式为多数投票的准确性，其中对于每个示例，仅考虑在训练期间未使用该示例的树。每棵树使用的训练集比例由配置参数 numberOfSamplesRatio 控制。OUT_OF_BAG_ERROR 在交叉验证阶段评估时报告为验证分数。如果随机森林模型胜出，则根据在整个训练集上重新训练模型的结果报告为测试分数。

类不平衡

大多数图的非相邻节点对数量远多于相邻节点对（例如稀疏图）。因此，我们通常面临类不平衡问题。有多种策略可以解决不平衡数据问题。在管道训练过程中，使用了 AUCPR 指标。对于不平衡数据，它被认为比常用的 AUROC（受试者工作特征曲线下面积）指标更适用。为了使该指标能够适当反映正例（相邻节点对）和负例（非相邻节点对），我们提供了控制类别之间采样比率以及通过 negativeClassWeight 控制类别相对权重的功能。前者在使用 configureSplits 过程生成训练集和测试集时，由配置参数 negativeSamplingRatio 进行配置。调整 negativeClassWeight（如下文所述）意味着在计算精确率时，对假正例进行加权或降权。

negativeSamplingRatio 的推荐值是图的真实类别比率，换句话说，不应用欠采样。然而，该值越高，测试集就越大，从而评估时间也会越长。测试集中负例与正例的总概率质量比率大约为 negativeSamplingRatio * negativeClassWeight。因此，这两个参数可以同时调整，以权衡评估准确性和速度。

真实类别比率计算为 (q - r) / r，其中 q = n(n-1)/2 是可能的无向关系数量，r 是实际无向关系数量。请注意，graph list 过程报告的 relationshipCount 是所有现有关系类型上有向关系数量的总和。因此，我们建议使用 Cypher 在源 Neo4j 图上获取 r。例如，此查询将统计类型为 T 或 R 的关系数量：

MATCH (a)-[rel:T | R]-(b)
WHERE a < b
RETURN count(rel) AS r

在为 negativeClassWeight 选择值时，应考虑两个因素。首先，测试集中负例与正例的总概率质量的期望比率。其次，测试集中采样到的负例与正例的比率。为了与传统评估保持一致，应选择参数使得 negativeSamplingRatio * negativeClassWeight = 1.0，例如将值设置为真实类别比率及其倒数，或将两个值都设置为 1.0。

另一种方法是，使类别间的总概率权重比率接近真实类别比率。也就是说，确保 negativeSamplingRatio * negativeClassWeight 接近真实类别比率。报告的指标 (AUCPR) 能够更好地反映在未见的严重不平衡数据上的预期精确率。在这种评估类型下，由于指标值会变得小得多，因此必须调整预期。

© . All rights reserved.