Graph 随机游走是如何在图形上工作的？？？为什么人们使用它？

我是图形挖掘领域的博士生。 人们在遍历和计算图中节点之间的相似性时，使用了图中随机游走的概念。 谁能告诉我随机游走是如何在图上工作的？ 特别是，当它用于测量图中任意两个节点/顶点时。。。？？？

---

等待有效且信息丰富的回复…：滚动：

粗略地说，如果两个节点之间有许多可能的路径，那么与两个节点之间可能路径很少的另一对节点相比，这两个节点之间更有可能发生随机游动。从这个意义上讲，两个节点之间的随机游动概率将相似关系扩展到图中未连接的节点

两个方面相当重要。首先，我们通常考虑一个特定的随机图，即通过将从节点输出的所有边（弧）权重归一化为和得到的图。还有一些方法使用原始边权重执行一些采样过程，但我发现显式构造更有用。这导致了一个马尔可夫图，它可以被认为是一个马尔可夫矩阵。其次，这种归一化方法改变了边缘权重的含义，即异常值可能突然变得接近其他节点。也就是说，如果节点A以相似性10和40连接到节点B和C（没有其他节点），节点Z以相似性1和4连接到节点B和C（没有其他节点），则A和Z将分别以0.2和0.8的转移概率结束到B和C。这件事必须小心

这种方法的一个优点是可以自然地考虑边缘权重；更高的边权重将转化为更高的概率，长度大于1的行走概率会随着马尔可夫矩阵的乘法而自然下降。相比之下，两个节点（或其加权版本）之间的路径总数（在不使用随机游动归一化步骤的情况下计算）可能会迅速膨胀，并因边缘或三角形密度的局部变化而严重倾斜

---

使用这种公式的一种算法是聚类算法MCL。另一个应用程序是随机游走介数，它可以再次应用于集群。标签传播方法似乎使用了类似的想法。

顺便说一句，声明您正在等待有效且信息丰富的答复并不是一个好主意。可以安全地假设，一旦人们提供他们的（空闲）时间来帮助你，他们就会尝试这样做；这听起来要求不合理。请使用不带省略号（…）的完整句子、三个问号和奇怪的咒语，如“：roll”。提出恰当的问题（用普通散文）会得到更好的答案。