本文介绍了Graph Embedding的概念，重点讲解了DeepWalk的原理，包括如何通过随机游走生成节点序列，并利用skipgram模型进行训练。在wiki数据集上的实验展示了DeepWalk的有效性，相似节点在词向量空间中聚集。
1. 概念介绍
图：是一种非常常用的结构，包含边和节点；
Graph Embedding：图中的每个节点会对应一个词向量，某两个节点挨的越近（或者联系越紧密、或者共同的边越多），词向量在词向量空间里也就越近（想想单词的词向量的定义，和这差不多，就是把文字中的单词迁移到图的节点了）
2. deepwalk
想想单词的词向量训练的时候，是不是根据文本序列，生成中心词和上下文词列表分别作为输入输出训练skipgram模型的；那么对于图来说，怎么生成节点序列呢？有节点序列就可以生成中心节点和上下文节点列表，就可以训练skipgram模型了！并且这个节点序列一定要像文本序列一样的分布，即联系得紧密，就越能共现，deepwalk生成的节点序列就有这个特点！
那么deepwalk到底是什么呢？怎么生成节点序列呢？它真的是经典又简单。
顾名思义：随机游走，我从任意一个节点出发，随机选择和该节点有边的一个节点作为下一个节点，不断重复这个过程，就生成了一个节点序列啦！用我们的意念想一想！是不是采样的节点序列多了以后，联系得越紧密的节点，就越能共现。严谨的同分布证明在paper里有，感兴趣的可以看！
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
