推荐系统二 之图算法：DeepWalk&Node2vec

写在前面

1、Deepwalk 和 Node2vec 这些图算法的本质就是特征提取器，对graph进行采样（Sampling），对采样出来的序列构造模型（embedding）,最终把节点转化为特征向量，即为embedding。

2、图算法的优势

graph是对复杂的连接关系建模，通过用户行为序列，能够更好地学的items的高阶相似关系。

同时，在构建数据集的过程中，能够让长尾商品获得更多的训练，弥补数据稀疏的问题，有效提升覆盖率。

一、Deepwalk

1、来源：出自14年KDD：《DeepWalk: Online Learning of Social Representations》

2、思想：Deepwalk的主要思想是在由物品组成的图结构上进行随机游走，产生大量物品序列，然后将这些物品序列作为训练样本输入word2vec进行训练，得到物品的embedding。

RandomWalk是一种可重复访问已访问节点的深度优先遍历算法。给定当前访问起始节点，从其邻居中随机采样节点作为下一个访问节点，重复此过程，直到访问序列长度满足预设条件。

3、图示：

4、算法流程4步：

1. ）图a展示原始的用户行为序列
2. ）图b基于这些用户行为序列构建了物品相关图，可以看出，物品A，B之间的边产生的原因就是因为用户U1先后购买了物品A和物品B，所以产生了一条