matlab生成随机信号序列_利用随机游走在图(graph)中生成序列

这里直接切入网络表示学习（Graph Embedding/Network Representation Learning），本文将总结多个经典的基于游走的网络表示学习算法。因为基于游走的网络表示学习算法和word2vec如出一辙，同宗同源，我觉得还是紧跟着word2vec文章之后讲比较好。如果你对word2vec还有些许疑问，可以先看一看我上一篇文章：

炫云：Word2Vec​zhuanlan.zhihu.com

1. 图嵌入（Graph Embedding）

图嵌入，也叫网络表示学习，目的是为了学习到网络节点或者边的低维稠密向量表示，这样就能很方便地用于后续任务中。图的最基本形式是邻接矩阵，比如下面左侧4个节点组成的图，经过编号后，我们可以获得右侧的邻接矩阵。

简单的图示例，以及其邻接矩阵

对于一个大一点的图（比如社交网络）可能有数以亿万计的节点，根本没法读入内存，在写算法题的时候N*N大小的二维数组当N=10000时，就会超内存。而社交网络动辄亿万，这谁顶得住啊...

对于维度较大的矩阵，数学上有着各种优美的矩阵分解算法。以非负矩阵分解为例(NMF)，给定矩阵

，存在矩阵

和

满足

. 我们可以粗略地认为，通过矩阵分解，我们将获得每个节点的两种长度为k的向量表示，即矩阵B的第i行，矩阵c的第i列。突然有种word2vec的既视感... 这种方法虽然不错，但是矩阵维度过大的问题还是没解决，对算法的推广页产生了限制。

2. DeepWalk

时间到了2014年，那是word2vec问世的第二年，Bryan Perozzi[1]创造性地提出了DeepWalk，将词嵌入的方法引入图嵌入，将图嵌入引入了一个新的时代。DeepWalk提出了“随机游走”的思想，这个思想有点类似搜索算法中的DFS，从某一点出发，以深搜的方式获得一个节点序列。这个序列即可以用来描述节点。

以节点1为开始节点，长度为4的随机游走示例

依照图中的连边关系，从节点1开始，可能依次经过节点2,6,1,3. 能够经过这些节点的原因是因为相邻的两个节点之间彼此有连边。每个节点每次游走的概率为节点的出度分之一，以节点1为例，将以等概率游走至节点2、3、4、6节点。这个过程非常