【表示学习04】DeepWalk解读

1.参考文献

DeepWalk原文解读
DeepWalk原理理解
DeepWalk学习
DeepWalk学习笔记

2.理解

主要的解读和这一篇基本一致。
实际上DeepWalk的主要贡献在于将Word2vec技术首次应用在了图表示学习方面。
本质上DeepWalk的目标直接说来就是“降维”，从原先的每个节点用，m维表示，变为用d维表示（d<<m）。
相较于传统PCA，LDA等降维方法，DeepWalk具有诸多优势，能够更好的表征网络中节点的信息。

3.细节

具体实现方面：

随机游走生成器 + 一个更新过程

1.鉴于word2vec需要语料库的支持，DeepWalk采用了随机游走的方式，通过人为定义游走访问的序列长度，获得不同的节点访问序列，以此作为基于图的“语料库”；
2.DeepWalk采用了word2vec中Skip-gram结构（词预测上下文），采用哈夫曼树以及hierarchical softmax算法，通过路径概率连乘形式的条件概率最大化，来实现对模型的训练。