社交表示在线学习算法DeepWalk(已开源)

DeepWalk: Online Learning of Social Representations

Bryan Perozzi, Rami Al-Rfou, Steven Skiena

Stony Brook University

https://www.cse.fau.edu/~xqzhu/courses/cap6315/deepwalk.pdf

这篇文章介绍下DeepWalk，它是一种新的学习网络中节点的隐含表示的方法。

这些隐含表示将社交关系编码到连续向量空间中，在统计模型中比较容易应用。DeepWalk在语言模型以及通过无监督特征学习从单词序列到图中取得了不错的效果。

DeepWalk利用截断随机游走得到的局部信息，通过将游走作为句子来学习隐含表示。作者们在多个社交网络多标签网络分类任务中，比如BlogCatalog、Flickr以及YouTube，利用DeepWalk得到了隐含表示。结果表明，DeepWalk效果优于一些baselines，DeepWalk可以得到网络的全局视角，尤其是包含隐含信息的情况中。

DeepWalk的隐含表示，在标注数据稀疏的场景中，相对其他方法，F1得分可以提升10%。在一些实验中，在训练数据少了60%的前提下，DeepWalk的表示效果仍然可以优于其它基准方法。 

DeepWalk扩展性也比较好，它是一种在线学习算法，可以得到有用的增量效果，可以并行实现。这些特性，使其适用于很多实际应用中，比如网络分类以及异常检测。

DeepWalk效果图示如下

这篇文章的主要贡献如下

一些符号约定如下

DeepWalk所学隐含表示具有以下特性

随机游走使得deepwalk具有以下两个特性

幂率分布图示如下

DeepWalk算法伪代码如下

SkipGram算法伪代码如下

DeepWalk算法图示如下

数据集信息简介如下

参与对比的几种方法简介如下

几种方法在多标签分类问题中的效果对比如下

不同参数对模型效果影响如下

代码地址

https://github.com/phanein/deepwalk

---

              我是分割线

---

您可能感兴趣

聊聊常见的推荐系统演化过程

模型蒸馏在收益管理中的应用(如何进行可解释个性化定价)

密歇根州立大学联合京东提出深度强化学习算法DeepPage用于分页推荐

诺亚方舟实验室提出数值特征自动离散框架AutoDis用于CTR预估

乔治亚理工提出基于GAN的强化学习算法用于推荐系统

民宿平台airbnb是如何动态定价的

密歇根州立大学联合领英提出基于AutoML的Embedding框架AutoDim

密歇根州立大学联合字节提出AutoEmb用于流式推荐

深度学习在CTR预估中的应用

伊利诺伊大学联合中科院提出动态图协同过滤算法DGCF(已开源)

加州大学提出对偶注意力RNN用于时间序列预估

宾大微软联合提出深层强化学习框架用于新闻推荐

中科大等提出深度注意力网络DAM用于捆绑推荐

浙大中科院微软等提出分层注意力网络SHAN用于序列推荐系统

加州大学提出时间间隔自注意力模型用于序列推荐(已开源)

普渡大学提出轻量级特征交互算法deeplight大幅加速ctr预估在线服务(已开源)