图神经网络实战（3）——基于DeepWalk创建节点表示

0. 前言

DeepWalk 是机器学习 (machine learning, ML) 技术在图数据中的成功应用之一，其引入了嵌入等重要概念，这些概念是图神经网络 (Graph Neural Network, GNN) 的核心。与传统的神经网络不同，这种架构的目标是产生表示 (representations)，然后将其传递给其他模型执行下游任务(例如节点分类)时使用。
在本节中，我们将了解 DeepWalk 架构及其两个主要组件： Word2Vec 和随机游走 (random walks)。首先介绍 Word2Vec 架构的工作原理，并重点介绍 skip-gram 模型，并在自然语言处理 (natural language processing, NLP) 任务中使用 gensim 库实现 skip-gram 模型，以了解其使用方法。然后，我们将重点研究 DeepWalk 算法，学习如何使用分层 softmax (hierarchical softmax, H-Softmax) 提高性能。然后在图上实现随机游走，最后使用 “Zachary’s Karate Club” 数据集实现一个端到端的监督节点分类模型。

1. Word2Vec

理解 DeepWalk 算法的第一步是