【GCN-RS】基础知识：DeepWalk、Node2Vector、GCN

Graph Learning Method

先从Graph基础知识讲起

DeepWalk

算法可以分为四步：

1. 图a展示了原始的用户行为序列
2. 图b基于这些用户行为序列构建了物品相关图，可以看出，物品A，B之间的边产生的原因就是因为用户U1先后购买了物品A和物品B，所以产生了一条由A到B的有向边。如果后续产生了多条相同的有向边，则有向边的权重被加强。在将所有用户行为序列都转换成物品相关图中的边之后，全局的物品相关图就建立起来了。
3. 图c采用随机游走的方式随机选择起始点，重新产生物品序列。
4. 图d最终将这些物品序列输入word2vec模型，生成最终的物品Embedding向量。

Node2Vector

提出学习网络的同质性（homophily）和结构性（structural equivalence），将DeepWalk中第三步的随机游走改为宽度/广度优先搜索。

GCN

• 

如果没有Graph，只有CNN的话，网络表示为：
$$H^{(k+1)}=f\left(H^{(k)}\right)=\sigma \left(H^{(k)}{W}^{(k)}\right)$$
Graph Convolutional Network的表示：
$$H^{(k+1)}=f\left(H^{(k)},A\right)=\sigma \left(A{H}^{(k)}{W}^{(k)}\right)$$
其实就多了一个矩阵$A$！$A$是0-1矩阵，0表示两个点无关联，1表示两个点有关联。$A$用来表征数据之间的关联，是由数据结构先天决定的。

举个例子：

• K=0，0-order，等于不利用图聚合信息，卷积运算矩阵$A$：

$$[\begin{array}{ccccc}{\alpha }_0& 0& 0& 0& \\ 0& {\alpha }_0& 0& 0& \\ 0& 0& {\alpha }_0& 0& \\ 0& 0& 0& {\alpha }_0& \\ 0& 0& 0& 0& \\ 0& 0& 0& 0& \end{array}$$