图计算：图表示学习

一：简介

 图表示学习：期待自动提取结构特征。即，把图的邻接矩阵、点信息等信息转为一个低维向量。其输入和输出见下图：

二：应用

应用：节点分类、链路预测、社区检测、图重建、可视化、网络相似性 

         节点分类可以根据ｌａｂｅｌ是否给全数据，做成半监督ｏｒ有监督学习。

         边预测（可视为无监督，个人不太认同，因为算法的输出是有没有边ｏｒ有边的概率，是比较确定的工作）：预测某两个点直接是否存在边

 三：Related work

四、随机游走的graph

将u和v映射到embedding space，如果u和v相似，则在embedding space里也是相似的。

encoder：映射到embedding的规则

相似性定义：原图空间内u和v的相似性定义

decoder：映射到embedding的u`、v`的相似性分数，使其尽量和2保持一致。

本质：找一个矩阵Z，ENC（v） = Z×v  

经典paper：DeepWalk、Node2vector

DeepWalk：

相似度：相连；共享邻居；有类似结构；

RandomWalk：根据边分布的情况，随机概率游走。

 

注：N(u)不是严格意义上的邻居，而是指u的random walk可达的点，比严格意义上的邻居更大。

写成损失函数的形式：

 

 这里z指的是u点映射后的d*1的向量。

优化后只选择k个点作为summary。

 

Node2vec：

和DeepWalk区别：DeepWalk是用均等概率、随机游走的方式定义N（u）；而Node2vec是用BFS+DFS的方式定义N(u)。

  

p与q 是可学习的参数。