DeepWalk：Online Learning of Social Representations

1.Introduction

Social Representation 是可以捕获邻居相似性及社区关系的节点的潜在特征。这些潜在表示将社交关系编码为低维的在连续向量。

在关系分类问题中，节点特征向量间的关系(link)违背独立同分布(i.i.d.)，为了解决这个问题，通常利用关系依赖信息来进行近似推断(approximate inference)。

　　Contributions：

• 使用DL作为分析图的工具，构建适合统计建模的鲁棒性模型。
• 通过RW学习图的结构化规则。

2.Related Work

• 使用潜在的社交表示，代替计算统计相关；
• 没有尝试区扩展分类过程本身；
• 我们提出的是大规模的在线方法，且只使用了局部信息；大部分方法都需要全局信息且是线下的；
• 将非监督的表示学习应用到图上。

3.Learning Social Representations

• Adaptability：真实的社交网络都是持续增大的，新的关系不需要重复整个图来学习；
• Community aware：latent dimensions可以表示为估计社交成员相似性的度量；
• Low dimensional
• Continuous：对于社区内节点存在于连续空间，对于社区间的节点有平滑的分类边界。

3.1 truncated RW

• 截断式随机游走可以捕获局部结构和社区信息；
• 局部探测易于并行化；
• 对于网络新节点的迭代更新更快速。

3.2 power laws

　　节点频率和文章中词频具有相似的指数分布，这为使用语言模型来编码图节点提供了可能。

　　

3.3 Language modeling

　　捕获局部图结构中的共享相似，那些具有相似邻居的节点(2-order)获得相似的表示。

 

转载于:https://www.cnblogs.com/tryhardwy/p/10720570.html