本文介绍了图表示学习的方法，包括DeepWalk的随机游走与skip-gram模型，Line的一阶和二阶邻近关系，以及Node2Vec的有偏随机游走和优化目标。DeepWalk侧重基于边权重的随机游走，Line结合一阶和二阶邻近度学习embedding，而Node2Vec通过调整随机游走策略改进了DeepWalk。
Graph 探索之DeepWalk，Line，Node2Vec
网络表示学习**（Network Representation Learning，NRL），也称为图嵌入法（Graph Embedding Method，GEM）：用低维、稠密、实值的向量表示网络中的节点（含有语义关系，利于计算存储，不用再手动提特征（自适应性），且可以将异质信息投影到同一个低维空间中方便进行下游计算）。也就是说这三种方法都是拿来给图结构提取embedding的。
Network Embedding算法主要有经历了以下三代的发展：
第一代：基于矩阵特征向量（谱聚类）
第二代：基于Random Walk（Deep Walk & Node2Vec）
第二代：基于Deep Learning（SDNE， GCN， GraphSAGE）
一、DeepWalk
总体步骤就是Network/graph ---------random walk ---------得到节点序列-------- skip-gram
其中主要想说的是random walk这里主要是依据边权重进
最低0.47元/天 解锁文章
2404
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
