第31.6节 改变训练参数

我们将随机路径的长度固定为20，每次变换单个节点生成路径的条数，分别尝试10、20、50，生成相应的Embedding结果，并查看相应的分类效果。完整代码如下：

BatchOperator <?> edges = new UnionBatchOp().linkFrom(
	paper_author.select("paper_id AS source_id, author_id AS target_id"),
	paper_conf.select("paper_id AS source_id, conf_id AS target_id")
);

for (int walkNum : new int[] {10, 20, 50}) {
	edges
		.link(
			new DeepWalkBatchOp()
				.setSourceCol("source_id")
				.setTargetCol("target_id")
				.setIsToUndigraph(true)
				.setVectorSize(100)
				.setWalkLength(20)
				.setWalkNum(walkNum)
				.setNumIter(1)
		)
		.link(
			new AkSinkBatchOp()
				.setFilePath(DATA_DIR + String.valueOf(walkNum) + "_" + DEEPWALK_EMBEDDING)
				.setOverwriteSink(true)
		);
	BatchOperator.execute();

	classifyWithEmbedding(
		new AkSourceBatchOp()
			.setFilePath(DATA_DIR + String.valueOf(walkNum) + "_" + DEEPWALK_EMBEDDING)
	);
}

整理运行结果如下，整体上随着WalkNum的增加，每个分类器的效果都在变好，Softmax分类器，在WalkNum从10到20的变化中，精确度（Accuracy）提升非常明显，甚至超过KnnClassifier。

下面，我们再尝试修改构建图的流程，看看对Embedding的影响。如下面代码所示，再添加一种边的关系，即作者到会议的边。

BatchOperator <?> edges = new UnionBatchOp().linkFrom(
	paper_author.select("paper_id AS source_id, author_id AS target_id"),
	paper_conf.select("paper_id AS source_id, conf_id AS target_id"),
	new LookupBatchOp()
		.setSelectedCols("paper_id")
		.setOutputCols("target_id")
		.setMapKeyCols("paper_id")
		.setMapValueCols("conf_id")
		.linkFrom(paper_conf, paper_author)
		.select("author_id AS source_id, target_id")
);

整理运行结果如下，一个明显的变化是，WalkNum=10时，Softmax与KnnClassifier的分类效果明显好于前面的实验，Softmax上的表现更为突出；但随着WalkNum的增加，分类效果的改进较小。