链路预测源码复现：VGAE、Node2Vec与谱聚类实战指南

简介：面向社交网络链路预测的Python实现资源包，涵盖图神经网络与经典启发式算法，适用于毕业设计、课程设计及科研入门。包体共345个文件，以Python源码、项目文档、数据文件为主体，包含21个py脚本、21个PDF文档、41个TXT说明、28个JSON配置以及大量pkl模型和edgelist/allfeat图数据，压缩包仅33.94MB，便于本地部署与二次开发。代码实现了Variational Graph Auto-Encoders、Node2Vec、Spectral Clustering三类嵌入方法，并集成Adamic-Adar、Jaccard Coefficient、Preferential Attachment等基线模型，可在同一数据集上对比多种链路预测策略的效果。目前已有51人学习下载。配套md文档详细说明环境配置、安装步骤与使用教程，帮助快速运行实验并理解算法原理，适合在此基础上扩展新思路或接入自有数据。

1. 链路预测不是玄学：这份源码把论文算法变成了可复现实验

毕业设计拿到“社交网络链路预测”题目时，很多人的第一反应是翻论文、读公式、然后卡在“模型到底怎么跑起来”。这套基于 Python 的链路预测项目把 Variational Graph Auto-Encoders（VGAE）、Node2Vec、谱聚类，以及 Adamic-Adar、Jaccard、Preferential Attachment 三种基线方法一次性收齐，配合源码、项目文档和使用教程，目标是让你从拿到数据到输出 AUC 曲线，走完一整套链路预测实验流程。它尤其适合两类人：一类是准备做毕业设计、课程设计的学生，另一类是想快速把论文算法落地成可对比实验的入门研究者。这份资源的真正价值不只是“能跑通”，而是把环境依赖版本、数据文件格式、评估协议这些容易让人翻车的环节都预先铺好了路。

2. 算法选型与原理：VGAE、Node2Vec、谱聚类各自解决什么

2.1 链路预测的本质：从观测矩阵推断缺失边

链路预测要回答的问题很直接：在已知图 G=(V,E) 上，两个尚未连边的节点，未来有多大概率产生连边。在社交网络里，这个问题的落地场景包括好友推荐、关注预测、社区发现前置分析。学术实验里有一套标准做法：把邻接矩阵 A 当作 ground truth，随机隐藏一部分边作为测试集，用剩余图训练模型，再在隐藏边上计算 AUC 和 AP。这套项目正是按这个协议组织的，allfeat 文件负责提供节点特征，图结构从边列表构建，隐藏边比例、随机种子等参数都留了修改入口。

理解链路预测的评估方式很重要。预测的目标不是把整个图的边都补全，而是对候选边打分并排序。真实的边得分高、不存在的边得分低，AUC 衡量的就是这个排序质量。很多入门者一开始犯的错，是把注意力全放在模型结构上，忽略了“数据划分”和“评估口径”的一致性。在写实验对比时，如果 VGAE 用了 15% 的边做测试，基线方法用了 20%，那最后画出来的曲线根本没有可比性。这个问题在后面第 4 章会专门讲。

2.2 VGAE 的变分推断：为什么适合无监督链路预测

VGAE 是 Kipf 和 Welling 提出的图自编码器，核心思路是把图卷积当作编码器，从节点特征 X 和邻接矩阵 A 编码出隐变量 z，再通过内积解码器重构邻接矩阵。它和普通自编码器的关键区别在于，隐变量不是固定向量，而是通过变分推断学出来的分布参数——均值 μ 和方差 σ，采样后得到嵌入。整个模型的监督信号就是邻接矩阵本身，所以不需要额外标签，非常适合链路预测这种天然无监督的场景。

损失函数由两部分组成，一部分是重构损失，度量解码器重建邻接矩阵的误差；另一部分是 KL 散度，约束编码器输出的分布不要偏离标准正态太远。训练目标是最小化两者之和。在答辩场合，这个损失函数构成是最常被追问的点，评审老师通常会问“KL 散度那一项在代码里到底加在哪”。你要能说出清楚，它加在 VGAE 的 loss 计算里，权重为 1，没有额外系数。

这是一份与项目模型定义对应的简化框架：

# VGAE 核心结构（简化版，与项目 docs 中的模型定义对应） class VGAE: def __init__(self, input_dim, hidden1_dim, hidden2_dim): # input_dim: 节点特征维度，来自 allfeat 解析结果 # hidden1_dim: GCN 第一层维度，如 32 # hidden2_dim: 隐变量维度，如 16，决定嵌入维度 self.input_dim = input_dim self.hidden1_dim = hidden1_dim self.hidden2_dim = hidden2_dim def encode(self, X, A): # 两层 GCN，分别输出均值和对数方差 mu = gcn_layer(X, A, self.hidden2_dim) logvar = gcn_layer(X, A, self.hidden2_dim) return mu, logvar def reparameterize(self, mu, logvar): # 变分采样：均值 + 标准差 * 标准正态噪声 std = tf.exp(0.5 * logvar) eps = tf.random_normal(tf.shape(std)) return mu + eps * std def decode(self, z): # 内积解码器，输出归一化后的边概率 return tf.sigmoid(tf.matmul(z, z, transpose_b=True))

这里的逻辑要看清：reparameterize 技巧把采样操作从“不可导的随机过程”改写成“可导的线性变换”，让梯度能正常回传到编码器。hidden2_dim 是整个模型最值得调的超参数，它决定嵌入向量的表达能力——数据集小的时候设 16 够用，数据量大或者特征维度高的时候可以提到 32；hidden1_dim 则等于 GCN 首层的输出宽度，一般取 32 或 64，太大容易在边稀疏图上学到过拟合的表示。

2.3 基线方法的对比维度：Adamic-Adar、Jaccard、Preferential Attachment

基线方法不需要训练，直接基于节点相似度打分。Jaccard 系数计算两个节点共同邻居数与并集大小的比值，逻辑直白，适合局部结构明显的图；Adamic-Adar 对共同邻居取对数权重，弱化那些度很高的“社交达人”的影响，实验里通常比 Jaccard 效果更好；Preferential Attachment 直接取两个节点度的乘积，它模拟了“富者愈富”的社交规律——度高的用户更容易和新节点产生连边。这三个方法在代码里通常配合 networkx 的 non_edges() 生成候选边集，然后批量计算分数。

三者的适用范围有明显差异，下面这张对比表在实际写论文或做实验设计时可以直接用：

关注这段是因为，很多人会把 Preferential Attachment 当“凑数的基线”，但实际它常常能打出一个相当不错的下限。在稀疏图上，VGAE 比 PA 只高出几个 AUC 点是常见现象，这不代表模型写错了，而是这类图的边信息本身稀缺，结构先验发挥的作用有限。写毕设论文时，把这种“差距不大”的现象解释清楚，反而比硬吹模型效果更让答辩老师信服。

3. 环境搭建与复现：Python 3.6.6 和 TensorFlow 1.12 的硬约束

3.1 依赖版本这么老，是资源唯一让人头疼的地方

项目环境依赖写得很明确：Python 3.6.6、tensorflow 1.12.0、networkx 2.2、scipy 1.2.1、scikit-learn 0.20.2、pandas 0.24.0、gensim 3.7.1、matplotlib 3.0.3。单看这个列表就知道，源码是在 TensorFlow 1.x 时代写的，VGAE 部分用了大量 tf.get_variable、tf.Session、tf.nn.softplus 这类在 TF2 里已经被移除的 API。如果直接在装好 TensorFlow 2.x 的环境里 pip install，大概率会得到一屏幕 import 报错。

强烈建议先建一个独立的 conda 环境，把版本钉死。很多翻车案例都是因为“懒得建环境，先试试”，结果把系统 Python 搞得一塌糊涂，最后浪费时间还原。建环境时直接用 conda 指定 Python 版本，比事后降级靠谱得多：

# 建独立环境，避免污染系统 Python conda create -n linkpred python=3.6.6 -y conda activate linkpred # 安装老版本核心依赖 pip install tensorflow==1.12.0 pip install networkx==2.2 scipy==1.2.1 scikit-learn==0.20.2 pip install pandas==0.24.0 gensim==3.7.1 matplotlib==3.0.3

这里补充一句，tensorflow 1.12.0 在 pip 源上的下载包比较大，如果用默认源很慢，可以加-i https://pypi.tuna.tsinghua.edu.cn/simple走清华镜像。装完以后，再用python setup.py install安装项目自身的依赖配置。我一般的习惯是：先手动装核心依赖，再跑 setup.py install，这样即使 setup.py 里的依赖列表写的是tensorflow>=1.12这种宽松约束，也不会触发 pip 自动升级成 TF2。

3.2 allfeat 文件怎么读：第一步看清数据组织

项目提供的 allfeat 文件命名规则类似“编号.allfeat”，比如 0.allfeat、107.allfeat。这类文件本质是节点特征矩阵的持久化存储，常见组织形式有两种：一种是 CSV 格式，第一列是节点 ID，后面各列是特征值；另一种是空格分隔的纯数值矩阵，行号隐含对应节点编号。拿到资源后第一件事，就是确认数据到底长什么样，不要盲写读取代码。

import pandas as pd feat_path = "data/0.allfeat" # sep 参数根据实际文件内容调整，常见是逗号或空格 df = pd.read_csv(feat_path, sep=",", header=None) print(df.shape) # 期望输出: (节点数, 特征维度 + 1) print(df.iloc[:3, :5]) # 看前 3 行前 5 列，确认没有乱码 print(df.isnull().sum().sum())# 检查是否有缺失值，有则先填充

读完数据之后要建图。networkx 的 from_edgelist 或者 from_pandas_edgelist 都能用，关键是节点 ID 要和 allfeat 里的 ID 对齐。如果两边对不上，后面 VGAE 的特征矩阵会和邻接矩阵维度不匹配，报错信息往往很隐晦。我建议在读入后立刻做一个校验：取特征文件里的节点 ID 集合，和边列表里的节点 ID 集合取差集，看有没有多余或缺失。这一步 5 分钟能做完，却能省下后面几小时的排错时间。

3.3 完整复现流程：从数据到出一张 ROC 曲线

复现路径大致分六步：解析 allfeat 构建图 G，保留节点特征 X，按比例隐藏测试边，训练 VGAE，计算 AUC/AP，再跑基线方法做对比。项目文档里（md 文档）对各步脚本的调用方式做了说明，我这里给出一个典型命令序列：

# 确保在 linkpred 环境内 conda activate linkpred # 安装项目依赖 python setup.py install # 训练 VGAE 模型 python train_vgae.py --data data/0.allfeat --epochs 200 --hidden2 16 # 评估基线方法 python eval_baselines.py --data data/0.allfeat

--epochs 200 在中小规模图上是经验值，loss 通常在 30 到 80 轮之间开始平稳。如果训练曲线一直不降，优先检查学习率和特征是否做了标准化，而不是盲目加大 epoch。hidden2 对应 VGAE 的隐变量维度，基线方法脚本里通常不需要这个参数，但数据路径和 seed 必须保持一致。执行完这两条命令，终端会打印出各算法的 AUC 和 AP 结果，那就是你论文对比表的初始数据。

跑通之后一定要做的事情，是把预测结果导出成文件。我一般会保存成 csv，包含候选边两端节点 ID、真实标签、模型打分四列。这样后续在 matplotlib 里画 ROC 曲线、做误差分析，都不用重新训练一遍模型。

4. 核心代码解读与参数调整：五个可动手改的改进点

4.1 把 VGAE 的 encoder 维度改到匹配自己的数据

拿到源码后，最容易上手的是调整 VGAE 的几个维度参数。input_dim 由数据决定，等于特征矩阵 X 的列数；hidden1_dim 默认 32；hidden2_dim 默认 16。当你的数据集特征维度很高，比如达到几千维，hidden1_dim 还停留在 32 的话，信息瓶颈过于严重，嵌入学不出有效表达，常见做法是抬到 64 或 128。反过来，如果数据只有几百个节点，强行把 hidden2_dim 提到 64，反而会因为参数过多发生过拟合。

# 训练参数调整示例（我在多个数据集上的通用起点） train_args = { "learning_rate": 0.01, # Adam 学习率，偏大容易震荡，偏小收敛慢 "epochs": 300, # 总轮数，配合早停使用更合理 "hidden1": 32, # GCN 第一层输出维度 "hidden2": 16, # 隐变量嵌入维度，影响重建精度 "dropout": 0.0, # 训练期可用 0.3，验证期必须设为 0.0 }

判断调整方向的标准很简单：训练时盯着 loss 和 AUC 两个量。如果 loss 下降但 AUC 不涨，说明模型在学习拟合训练集边结构，但没有提炼出可泛化的连边规律，此时降低 hidden2 或提高 dropout；如果 loss 全程不降，先查学习率，再从 0.01 往下调一个数量级试。切记每次只动一个参数，一次改三个变量的话，出了问题你根本不知道是谁导致的。

4.2 Node2Vec 的 p、q 参数：控制随机游走的视野

Node2Vec 的核心思想是用带偏置的随机游走采样节点序列，再通过 skip-gram 学嵌入。两个偏置参数 p 和 q 直接决定游走策略：p 控制回访概率，p 小意味着游走更容易折返回上一个节点，偏向局部视角；q 控制“向内还是向外”，q 小于 1 时游走偏向广度优先，探索更多邻居节点，q 大于 1 时偏向深度优先，沿一条路径走远。社交网络里，如果用户聚类现象明显，比如同一兴趣圈的人互相关注频繁，把 q 调小能让嵌入更好地捕捉社区结构；如果有明显的层级关系或大 V 粉丝链，调大 p 更合适。

from node2vec import Node2Vec model = Node2Vec( graph, dimensions=16, # 嵌入维度，与 VGAE 的 hidden2 保持一致，方便对比 walk_length=30, # 每次游走长度，短了采不到高阶邻居 num_walks=50, # 每个节点启动游走次数，多了更稳定但更慢 p=1.0, # 回访参数：>1 降低回访，<1 增强局部探索 q=1.0, # 深度参数：<1 偏向 BFS 效果，>1 偏向 DFS workers=4, # 并行线程数，CPU 多核可调到 8 )

30 的游走长度在大多数中小图上是够用的，但要注意，如果图直径很大，walk_length 设太短会让远距离节点的上下文完全采不到，嵌入退化成局部相似度。训练完成后，把嵌入向量传给下游分类器或者直接用于链路预测打分。另外一个容易踩的坑是：Node2Vec 的嵌入维度和 VGAE 的嵌入维度必须设成一致，否则论文对比表格里的“维度”字段口径不统一，答辩时会被追问。

4.3 评估协议：所有算法必须用同一份数据划分

链路预测实验里，最容易被忽视但影响最大的是数据划分一致性。很多人在跑基线方法时觉得“这些传统方法不用训练，随便划一下就行”，结果 VGAE 的测试边和 Adamic-Adar 的测试边不是同一批，AUC 比较完全失去意义。正确做法是固定随机种子，把原始边集切分出唯一的 train/test 划分，缓冲区里存下来，所有算法共用。

import random # 固定随机种子，保证多次运行得到完全相同的划分 random.seed(42) edges = list(G.edges()) random.shuffle(edges) test_ratio = 0.15 # 隐藏边比例，15% 是中小图上的常用值 n_test = int(len(edges) * test_ratio) test_edges = edges[:n_test] train_edges = edges[n_test:] # 构造负样本边：从不存在边的集合中采样，数量与正样本等比例 non_edges = list(nx.non_edges(G)) neg_edges = random.sample(non_edges, n_test)

test_ratio 选 15% 而不是 50%，是因为隐藏边过多会让训练图过度稀疏，VGAE 能学到的结构信息大幅缩水。负样本采样则是另一个关键点，常见做法是保持正负样本 1:1，但也有研究故意把负样本比例提高到 2:1 或 5:1 来模拟真实推荐场景。无论选哪种，所有算法都要用同一份负样本，这一点没有商量余地。

4.4 谱聚类的 n_clusters 怎么选：不要拍脑袋

谱聚类在项目里的角色是为节点生成谱嵌入，再把嵌入用于链路预测打分。n_clusters 是唯一需要你拍板的参数。比较靠谱的选法是先用特征间隙法看拉普拉斯矩阵的特征值分布，找到明显断崖处作为 cluster 数；更省事的做法是直接取训练图里连通分量的数量作为参考值。如果选得太小，不同社区的节点会被压到同一簇，嵌入区分度下降；选得太大，簇内样本太少，谱嵌入不稳定。对几百个节点的数据集，从 8 到 32 之间来回试，看验证集 AUC 的变化趋势，通常能找到峰值区间。

5. 避坑指南：TensorFlow 1.x 时代的五个典型坑

5.1 现象：pip 自动装上了 TensorFlow 2.x，代码疯狂报错

TensorFlow 2.x 环境下运行项目中用到tf.Session、tf.get_variable的代码，会直接抛 AttributeError，提示 module 里没有这些属性。原因就是 TensorFlow 2.x 移除了 1.x 的静态图 API。解决方法是严格固定版本安装，不要用pip install tensorflow这种不加版本号的命令。如果 setup.py 里对 tensorflow 的约束写的是>=1.12，务必手动先装好 1.12.0 再执行 setup.py install。已经装错版本的话，在 conda 环境里卸载重装即可，系统级 Python 别这么折腾。

5.2 现象：邻接矩阵参与运算时偶尔出现维度不匹配或全零行

VGAE 的输入特征矩阵 X 来自 allfeat，邻接矩阵 A 来自训练边，两边节点对不齐时会出现全零行，模型把这些节点当成了“不存在”。原因通常是 allfeat 文件里有孤立节点，或者读取边列表时跳过了自环。解决方法是：先取节点 ID 并集补全邻接矩阵行列，再让 X 的行顺序与邻接矩阵的行顺序严格一致。还有个细节，邻接矩阵不加大小的 self-loop，GCN 的传播公式里节点自身信息无法聚合，链路预测效果会明显打折。

5.3 现象：路径读不到 allfeat 文件，报 FileNotFoundError

这种问题最常见的原因是数据文件不在默认相对路径下，或者 Windows 系统下路径分隔符不一致。项目文档里的运行示例基于 Linux 环境，直接用data/0.allfeat没问题，但如果你在 Windows 下用 cmd 跑，可能因为盘符或反斜杠问题读不到。我一般会在脚本开头加一段路径自适应逻辑，并先用 ls 核对文件名：

ls data/ | head -20 # 核对 .allfeat 文件数量和命名，与文档描述是否一致

import glob feat_files = sorted(glob.glob("data/*.allfeat")) print("找到特征文件:", len(feat_files)) # 如果为 0，说明路径不对；如果文件比预期多，检查是不是混入了临时文件

5.4 现象：两次运行结果不一样，AUC 有肉眼可见的波动

链路预测代码里随机性来自很多地方：边划分切分、负样本采样、模型参数初始化、dropout、Node2Vec 随机游走。只要有一个地方没固定种子，实验结果就不可复现。解决方法是把全局随机种子统一设置，并把 seed 作为命令行参数暴露出来，每次实验记录用的哪个 seed。另一个常被人忽略的点是：numpy 和 Python random 需要分别设置随机种子，只设其中一个，另一个库产生的随机序列照样不可控。

import random import numpy as np def set_seed(seed=42): random.seed(seed) np.random.seed(seed) # 如果 tensorflow 是 1.x，还需要 tf.set_random_seed(seed)

5.5 现象：内存爆掉，跑大规模图时直接进程被杀

VGAE 的内积解码器需要计算 N×N 的重构矩阵，当节点数超过几万时，稠密矩阵的内存开销是灾难性的。N=5 万时，N×N 的 float32 矩阵就要占 10 GB。解决思路有三个：一是改用小批量训练，不一次性算全图的 N×N；二是用 scipy.sparse 存储邻接矩阵并在稀疏格式下完成部分运算；三是对图做抽样，只保留边密度最高的子图。对于毕业设计级别的实验，第三个方案最省事，论文里写明“数据预处理阶段过滤掉了度小于 2 的孤立节点”即可。

6. 怎么判断你的 VGAE 没白跑：AUC 之外的三项验证

只报一个 AUC 数字的链路预测实验，答辩时很容易被一个问题问倒：“你这个模型比基线高出的 0.03，到底是模型结构带来的，还是评估协议差异带来的？”要回答这个问题，我建议每次实验强制跑完三项验证：AUC、AP、嵌入可视化。AUC 反映整体排序质量，AP 在正负样本不均衡时更敏感；两者结合才能判断模型是否真的学到了边结构，而不是靠负样本采样简单拉开差距。

第三项验证是嵌入可视化。把 VGAE 学到的节点嵌入向量用 TSNE 降到二维，按社区标色画散点图。如果同一社区的节点在二维平面上聚成团，不同社区之间有清晰间隔，说明嵌入确实捕捉到了网络结构信息。如果所有节点混成一个球，哪怕 AUC 数字好看，也要怀疑是不是实验划分出了问题。这段代码直接加在训练脚本结尾即可：

from sklearn.manifold import TSNE from sklearn.metrics import roc_auc_score, average_precision_score # 假设 pos_scores/neg_scores 是模型对测试边和负样本边的预测概率 pred = np.concatenate([pos_scores, neg_scores]) truth = np.concatenate([np.ones_like(pos_scores), np.zeros_like(neg_scores)]) print("AUC:", roc_auc_score(truth, pred)) print("AP:", average_precision_score(truth, pred)) # 嵌入可视化：观察社区聚团情况 tsne = TSNE(n_components=2, random_state=42) emb_2d = tsne.fit_transform(node_embeddings) plt.scatter(emb_2d[:, 0], emb_2d[:, 1], c=community_labels, cmap="tab20", s=8) plt.savefig("vgae_embedding_tsne.png", dpi=150)

这套流程我从第一次做链路预测时就开始用。以前只看 AUC，结果被答辩老师追问“AP 多少”“嵌入长什么样”时卡了整整三分钟，回来之后强制自己把这三件事做成固定输出。从那以后，每次测试新数据集我都会先跑一遍这三项验证，确认逻辑一致再继续调参。希望帮到你。

本文还有配套的精品资源，点击获取