网络表示学习（Graph Embedding）简述

1、目录

2、前言

网络表示学习又称图嵌入（Graph Embedding），主要目的是将一个网络中的节点基于网络的特点映射成一个低维度向量，这样可以定量的衡量节点之间的相似度，更加方便的应用。

3、Deepwalk

该网络表示学习方法主要利用word2vec将节点向量化。在word2vec的使用中，首先需要很多包含词语的文档。在Deepwalk中将节点看成词，节点之间随机游走出固定长度的轨迹作为文档。
　　

4、基于Deepwalk的改进

在Deepwalk算法中节点之间的游走是完全随机的。但是在实际的应用场景中是不合理的，因此，应该根据大量样本反应出节点之间的转移概率建立Graph，换句话说，节点之间的边应该是有权重的。
　　接下来在Deepwalk上的改进就是根据转移概率游走出轨迹。
　　

---

参考：
【1】文论瞎读：Network Embedding as Matrix Factorization: Unifying DeepWalk, LINE, PTE, and node2vec
【2】论文原文Network Embedding as Matrix Factorization: Unifying DeepWalk, LINE, PTE, and node2vec