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。