图神经网络之图游走类模型算法——DeepWalk

图游走类算法

图游走算法可以理解为一个人在图上行走，最后能得到一条走过的路径

目标

图游走类算法的目标，就是学习出图中每一个节点的低维表示，称为 Node Embeddings。

在得到这些 embeddings 之后，就可以利用这些低维表示来进行接下来的下游任务，比如节点分类之类的等等。

为什么可以用这个低维表示来做下游任务呢？
因为可以利用一些方法，使得每个节点的 embeddings 可以学习到节点跟它的邻居的关系，更好的表示图结构和图特征的信息。

基本思路

1. 通过在图进行某种方式的游走，得到多个序列，利用这些序列进行图表示学习。
2. 通过图表示学习，利用节点之间的关系，学习到节点的低维表示(Node Embedding)，
3. 之后利用这些Embeddings做下游任务。

节点可以看做 NLP 中的词，而节点序列进而就可以联想到句子。接下来就要引入 NLP 领域中的一个算法——Word2vec

Word2vec

图游走类模型最开始参考的就是 NLP 领域中的 Word2vec 模型

算法思想

假设，如果只