泛运筹理论初探——DeepWalk算法简介

图论-图论算法之DeepWalk

Graph-Embedding和DeepWalk算法
    在之前的图算法介绍里，我们探讨了部分比较简单和经典的图算法，比如PageRank、最短路径、深度优先搜索等方法。在某些场景，之前介绍的一些算法虽然很经典，逻辑很清晰，但是由于实际情况里数据量非常大，所以经常会用到Graph-Embedding类型的算法，在基于图的推荐等经常被使用，因此本文将会介绍这种类型的算法，并且拿一个最基础的Graph-Embedding类型的算法做进一步介绍。
    首先介绍的是Graph-Embedding，也就是所谓的图嵌入，这种方法是把实际场景里的高维度稀疏图数据，转化为低维度稠密的向量，然后再进行后续深度学习或者机器学习算法进行构建模型。这种思路是比较常见的，比如某线上商城有100万种商品、3亿用户，这个时候如果直接在原始图上进行推荐、聚类等操作，会非常耗时和耗资源，所以这种嵌入的思路应运而生。
    那么基于上述的图嵌入思路，在2014年提出了比较经典的DeepWalk方法，它的思路就是多次在图上进行随机游走，然后得到海量的节点序列，并且把这些序列作为训练样本输入到模型进行训练，并且得到最终的Embedding结果向量。下面我们来说明DeepWalk算法的步骤。
    1）初始化相关的参数，比如设置Embedding结果的向量长度，设置每次随机游走总共的步数，设置走多少轮次等参数。
    2）对于图里的每一个节点，都进行K次游走，而且每一次在游走的时候，每次都走N步，将走过的节点进行记录，对于得到的结果进行打乱处理，然后再把这些结果输入到树里面&#