网络表示学习（DeepWalk，node2vec）

参考链接

DeepWalk

• 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。

node2vec

• 2016年出现的n2v，相较于DeepWalk，是通过调整随机游走权重的方法使graph embedding的结果在网络的同质性（距离相近的节点embedding也应该相似）和结构性（结构相似的节点embedding应该相似）中进行权衡。
• 与DeepWalk的主要区别是：跳转概率；度优先搜索（BFS） 反映结构性；深度优先搜索（DFS）反映同质性；
• 跳转概率是三阶关系，即考虑当前跳转节点，以及前一个节点 到下一个节点的“距离”，通过返回参数p和进出（或叫远离）参数q控制游走的方向（返回还是继续向前）；所以原文中p越小，越容易返回，一直在起始点周边震荡，微观搜索，发现节点处于中心还是边缘，结果越反映结构性，q越小，越容易往远处走，进行更广范围的搜索，才能发现不同“群体”的节点之间的相似性，才能更加体现宏观的同质性。