目录
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
- 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。
- 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)，
- 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，如果只给出苹果这一个词，而没有其他的信息，那么，这个词的词义其实是模糊的。
因为苹果可能指的是水果，又或者是手机
但如果给出有关于苹果的很多个句子：
通过多个句子的上下文，其实可以大概了解到，上面所展示的苹果这个词的语义，是一种水果、一种食物。
通过这个例子，可以得出这样的一个结论，即词的语义由其上下文决定。
Word2vec 其实就是利用了这样的一个思想。
整体架构
Word2vec 模型，可以简单的理解为 Skip Gram + 负采样
Skip Gram——根据中心词预测上下文
在Word2vec 中，提出了两种模型结构用于学习词向量，分别是 CBOW 和 Skip Gram。
由于图游走类算法用的多是 skip-gram 模型，因此这里只介绍 skip-gram 模型。
Skip Gram的目的很简单，就是根据中心词，预测对应中心词的上下文词。
这样做不仅仅能够利用了词共现关系，同时也体现了 Word2vec的本质，即词的语义由其上下文来决定。
以下面这张图片的句子为例，假设 neighbors 为中心词，同时我们设置了window size为3. 这个窗口大小表示左右两边的上下文词数，因此 neighbors 的 context 为 uniformly from the，以及 of the last。
Skip gram 的模型结构很简单，输入层就是中心词的 one hot 表示，经过中间一个投影层后，在输出层预测对应的context word，因此最后一层就是一个softmax分类层。
需要补充的一点是，使用 Skipgram语言模型的本质并不是为了说多么准确的预测 context words，而是为了得到模型的副产物，也就是词向量。
通常在训练结束后，隐层的权重 W 会作为词向量矩阵。
Negative Sampling——负采样
假设，给定中心词 orange，预测其上下文词中的 juice：
Softmax 层在 Skipgram 模型中是用来计算词表的概率的。
为了能够预测出 juice，不仅要预测它的概率，还要预测整个词表中所有单词的概率。但这样做的计算量是非常大的，因此，这里使用负采样的方法进行优化。
负采样的思想很简单。将中心词和对应的上下文词作为正样本，比如这里的 (orange, juice)。同时，选取一定数量的负样本，比如3个。
确定要正样本和负样本之后，就不再需要计算所有词的概率，而只需要对这几个样本进行分类，如果 Y=1，意味着是正样本，Y=0，意味着是负样本。从而减少了计算量。
也就是把 softmax 层修改为了多个 sigmoid 函数，从而大大减少了计算量和参与权重更新的参数数目。
应用到图嵌入领域
我们有一句古话，近朱者赤，近墨者黑。
也就是说，周遭的环境对于我们来说会有一定的影响，因此也可以表现为，图中的节点会受到其邻居的影响。
当然，这种情况也不仅仅只存在社交网络这个范围内，在很多其他的图，比如推荐系统等等，节点都会受到邻居的影响。
这也是为什么可以将Word2vec这个方法迁移到图嵌入领域的原因
DeepWalk
游走模型的鼻祖是DeepWalk模型，它也是第一个将 NLP 领域的思想运用到图嵌入领域的模型。
整体架构
与 Word2vec 的不同，其实就是多了一个采样节点序列的随机游走部分。因此这两者实现起来其实是非常类似的。
另外，大部分的图游走类算法，都是在随机游走这一块做比较多的创新和改动，而在后续的训练方法上则和 Word2vec 基本保持一致。
Random Walk
具体过程
从图中的某个节点出发，游走的每一步都从与当前节点相连的边中随机选择一条，沿着选定的边移动到下一个顶点，不断重复这个过程，直到得到的序列无法继续往下走或者到达指定最大长度。
在走了多趟之后，便可以得到多个游走序列，此时就可以类比 NLP 中的句子了。
随机游走的本质，其实就是可以“回头”的深度优先搜索
将随机游走表示成公式的话，可以得到下面的这个式子。
DeepWalk选取随机游走序列中下一个节点的方式是均匀随机分布的，因此对于与当前节点有边相连的节点，都有相同的概率被选择。
在 DeepWalk 中，会针对图中的每个节点采样多条序列，得到这些节点序列之后，就可以直接套用 Word2vec 模型了。
1298
