本文深入探讨了DeepWalk和Node2Vec两种图嵌入技术，通过维基百科词条和《悲惨世界》人物关系的数据集进行实例演示。首先介绍了如何构建无向图并生成随机游走序列，接着训练word2vec模型，通过PCA和TSNE降维进行节点embedding的可视化。接着展示了Node2Vec模型的构建过程，包括节点和边的Embedding，以及聚类和可视化的分析。最后，对Node2Vec官方作者Aditya Grover的代码进行了解读，进一步理解了模型的运行机制。
DeepWalk & Node2Vec
维基百科词条DeepWalk图嵌入
import networkx as nx
import pandas as pd
import numpy as np
import random
from tqdm import tqdm
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams["font.sans-serif"]=["SimHei"]
plt.rcParams["axes.unicode_minus"]=False
df = pd.read_csv("seealsology-data.tsv", sep="\t")
构建无向图
节点过多,省去可视化
生成随机游走序列
训练word2vec模型
分析word2vec结果
PCA降维可视化
可视化全部词条的二维embedding
可视化某个词条的二维embedding
可视化某些词条的二维embedding
TSNE降维可视化
可视化全部词条的二维embedding
导出TSNE降维到二维之后的embedding
可视化全部词条的三维enmbedding
导出TSNE降维到三维之后的embedding
<悲惨世界>人物关系-Node2Vec图嵌入
导入数据集
G = nx.les_miserables_graph
最低0.47元/天 解锁文章
2168
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
