標籤傳播分類為半監督的分類演算法,原理為用已標記節點的標籤資訊去預測未標記節點的標籤資訊。標籤傳播分類組件能夠輸出圖中所有節點對應的標籤及其權重佔比。
演算法說明
在演算法執行過程中,每個節點的標籤按相似性傳播給相鄰節點,在節點傳播的每一步,每個節點根據相鄰節點的標籤來更新自己的標籤。與該節點相似性越大,其相鄰節點對其標註的影響權值越大,相似節點的標籤越趨於一致,其標籤就越容易傳播。在標籤傳播過程中,保持已標註資料的標籤不變,使其像一個源頭把標籤傳向未標註資料。最終,當迭代過程結束時,相似節點的機率分布也趨於相似,可以劃分到同一個類別中,從而完成標籤傳播過程。
配置組件
方法一:可視化方式
在Designer工作流程頁面添加標籤傳播分類組件,並在介面右側配置相關參數:
參數類型 | 參數 | 描述 |
欄位設定 | 頂點表:選擇頂點列 | 點表的點所在列。 |
頂點表:選擇標籤列 | 點表的點的標籤所在列。 | |
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。 | |
參數設定 | 最大迭代次數 | 最大迭代次數,預設值為30。 |
阻尼係數 | 阻尼係數,預設值為0.8。 | |
收斂係數 | 收斂係數,預設值為0.000001。 | |
執行調優 | 進程數 | 作業並存執行的節點數。數字越大並行度越高,但是架構通訊開銷會增大。 |
進程記憶體 | 單個作業可使用的最大記憶體量,單位:MB,預設值為4096。 如果實際使用記憶體超過該值,會拋出 |
方法二:PAI命令方式
使用PAI命令配置標籤傳播分類組件參數。您可以使用SQL指令碼組件進行PAI命令調用,詳情請參見情境4:在SQL指令碼組件中執行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 | 是否必選 | 預設值 | 描述 |
inputEdgeTableName | 是 | 無 | 輸入邊表名。 |
inputEdgeTablePartitions | 否 | 全表讀入 | 輸入邊表的分區。 |
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 | 輸入焦點表名稱。 |
inputVertexTablePartitions | 否 | 全表讀入 | 輸入焦點表的分區。 |
vertexCol | 是 | 無 | 輸入焦點表的點所在列。 |
outputTableName | 是 | 無 | 輸出表名。 |
outputTablePartitions | 否 | 無 | 輸出表的分區。 |
lifecycle | 否 | 無 | 輸出表的生命週期。 |
workerNum | 否 | 未設定 | 作業並存執行的節點數。數字越大並行度越高,但是架構通訊開銷會增大。 |
workerMem | 否 | 4096 | 單個作業可使用的最大記憶體量,單位:MB,預設值為4096。 如果實際使用記憶體超過該值,會拋出 |
splitSize | 否 | 64 | 資料切分的大小,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 | 輸入焦點表的點是否有權重。 |
vertexWeightCol | 否 | 無 | 輸入焦點表的點的權重所在列。 |
alpha | 否 | 0.8 | 阻尼係數。 |
epsilon | 否 | 0.000001 | 收斂係數。 |
maxIter | 否 | 30 | 最大迭代次數。 |
使用樣本
添加SQL指令碼組件,輸入以下SQL語句產生訓練資料。
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;
對應的資料結構圖:
添加SQL指令碼組件,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,選擇查看資料 > SQL指令碼的輸出,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 |