机器学习笔记--DeepWalk和Node2Vec图嵌入代码实战一

最新推荐文章于 2025-11-23 20:20:10 发布
最新推荐文章于 2025-11-23 20:20:10 发布
阅读量714 收藏 9
点赞数 7
CC 4.0 BY-SA版权
分类专栏： 人工智能学习专栏 机器学习专栏 深度学习专栏 文章标签： 机器学习 笔记 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Runnymmede/article/details/135237826
这篇博客是斯坦福大学CS224W图机器学习笔记的一部分，主要介绍了DeepWalk和Node2Vec两种图嵌入方法的代码实战。首先，通过DeepWalk在维基百科数据集上的应用展示了图嵌入的可视化过程，然后详细解释了Node2Vec的模型构建和可视化。最后，探讨了Node2Vec官方作者的代码解读，包括Alias Sampling技术在随机游走序列生成中的应用。
了解本专栏 订阅专栏 解锁全文 超级会员免费看
机器学习笔记--DeepWalk和Node2Vec图嵌入二
太阳当空照，花儿对我笑，微风轻轻拂，心情无限好。
12-28 868
知识图谱专业老师：刘焕勇老师，也有公众号：老刘说NLP。
deepwalk&node2vec 代码实战
weixin_51589123的博客
10-27 2650
将节点表示为低维、连续、稠密的向量表示。隐式向量embedding中包含了graph中的社群、连接和结构信息，可用于后续节点分类等下游任务。
论文笔记：详解DeepWalk与Node2vec
zly_Always_be的博客
12-01 4237
最近读了DeepWalk和Node2vec这两篇图学习的经典文章，对自己的笔记进行了整理。对这两种算法做了详细介绍。
【GNN】第五章：传统图机器学习算法：Deepwalk、Node2Vec、PageRank
因为热爱所以坚持
03-27 1470
摘要：本文介绍了三种传统图机器学习算法——DeepWalk、Node2Vec和PageRank，用于将图数据嵌入低维向量空间。DeepWalk通过随机游走生成节点序列，类似NLP的滑窗操作，再使用Word2Vec训练得到节点嵌入向量。Node2Vec在DeepWalk基础上引入有偏随机游走策略，通过调整参数p和q控制游走方向，能捕捉节点不同特性。PageRank则用于计算节点重要性排名。文章还演示了如何使用Python实现这些算法，并指出基于随机游走的方法存在无法泛化新节点、缺乏全局信息等局限性，为后续深度
【CS224W】(task4/5)图嵌入表示学习（Deepwalk、Node2vec）更新中
发现问题，并解决问题，批判性思维
02-14 1336
- node2vec： - 计算随机游走概率 - 从节点$u$开始模拟$r$条长度为$l$的游走链路 - 使用 Stochastic Gradient Descent 优化损失函数 - Node2vec在节点分类方面表现更好；而其他方法在链路预测上效果更好，如random walk效率更高； - graph embeddings： - 方法1：对应子图or图的节点embedding进行sum或avg计算； - 方法2：创建横跨子图的super-node - deepwalk等价于对以
【论文逐句精读】node2vec，站在DeepWalk巨人肩膀上再进一步
D_Ddd0701的博客
06-29 2573
node2vec论文逐字逐句精读
Graph Embeding—DeepWalk、Line、SDNE、Node2vec、Struc2vec
I‘m Frank Lee
02-27 2135
Graph Embeding—DeepWalk、Line、SDNE、Node2vec、Struc2vec概念什么是图嵌入（网络嵌入）？为什么用Graph Embeding？DeepWalk（2014）LINE（2015）SDNE（2016）Node2vec（2016）Struc2vec（KDD 2017）扩展 概念 什么是图嵌入（网络嵌入）？ 图嵌入就是将图中的节点用一个较低维度的向量表示，并且这些向量要能反应原先图的某些特性，如在原图中两个节点的结构类似，那么这两个节点的向量表示也应该类似。 机器学习下游
DeepWalk实战---Wiki词条图嵌入可视化
努力学习的DS
09-21 948
3. 创建好后，安装必要的工具包，gensim是NLP领域的经常要用的工具包，因为DeepWalk其实就是把NLP中的Word2Vec直接用到图上，所以可以直接用NLP领域的工具包gensim。随机森林这一个节点的具体embedding向量如下，完全符合论文中说的那样，embedding是低维（相比起邻接矩阵n*n，已经变小成n*k了，n为节点数量，k为embedding向量长度）、连续（都是大大小小的连续实数）、稠密（向量中无没用的0元素，如one-hot就一大堆0）的向量。
CS224W课程学习笔记（四）：node2vec算法原理与说明
submarineas的博客
02-24 5003
DeepWalk可以说给大家带来了全新的思路，其意义远不止实验结果那么简单。理论上，对于任何图数据，或者是由关系型数据抽象出来的图数据，都可以利用DeepWalk得到Embedding，而且算法简单，易于扩展到大规模数据上；更为重要的，这启发了后续的研究者进行了更加深入的研究。node2vec的作者针对DeepWalk不能用到带权图上的问题，提出了概率游走的策略，并使用AliasSampling进行采样，该算法在之后会尝试讲解，这里主要提及一下它的创新点。
【Graph Embedding/Network Embedding 图嵌入/网络表示学习】主要工作（Deepwalk/LINE/node2vec）总结
TsingM
05-21 3462
本文介绍了图嵌入/网络表示学习领域比较重要的三个工作DeepWalk/LINE/node2vec，重点在于它们的思路、算法以及其中关联。
【机器学习基础】Attention in Transformers：注意力机制
安如衫的刷怪之路
11-23 885
原始 Transformer 结构采用 Encoder-Decoder，Encoder 负责上下文建模，Decoder 通过自回归生成输出，二者通过 Cross-Attention 相连。文章重点拆解 Self-Attention 的 Q、K、V 机制：用点积计算相关性并经缩放与 Softmax 得到权重，再对 V 加权求和得到上下文化表示；解释了为何需要独立的 Q/K/V 投影以打破对称、解耦语义并做信息过滤。
人工智能与机器学习：未来技术的颠覆性力量
2501_94058529的博客
11-19 898
摘要： 人工智能（AI）与机器学习（ML）已深度融入各行业，从自动驾驶、医疗诊断到金融风控和智能制造，展现出广泛的应用潜力。AI通过模拟人类智能执行复杂任务，ML则依赖数据自主优化算法，而深度学习（DL）进一步推动了图像、语音等非结构化数据的处理。尽管面临数据隐私、算法透明性和偏见等挑战，AI/ML的未来仍充满可能，量子计算等技术将加速其发展。随着技术进步，AI将成为推动社会变革的核心力量，重塑生活与工作方式。
Python在机器学习中的数据处理
2509_93946355的博客
11-22 461
后来学会用Pandas的isnull().sum()先摸清底细，发现不同字段得区别对待：数值型用fillna(mean())，分类变量干脆单独标成“未知”类别。特征工程才是真正拉开差距的地方。最近用featuretools库自动生成特征，通过对客户交易表进行深度特征合成，半小时就构造出“最近三个月退款率”这类业务特征，比手工效率提升十倍不止。后来坚持用Python这套工具链认真做完数据清洗、特征工程、数据标准化三板斧，哪怕用最简单的随机森林，效果都比在脏数据上跑XGBoost强得多。
2025-11-17 学习记录--Python-机器学习作业：项目1 - PM2.5预测
weixin_48850734的博客
11-20 666
Python-机器学习作业：项目1 - PM2.5预测
【机器学习】1-4 机器学习介绍 & 概述 &单变量线性回归 & 线性回归训练
最新发布
weixin_54010404的博客
11-23 637
机器学习是人工智能的核心子领域，主要分为监督学习、无监督学习和强化学习三大类。监督学习通过带标签数据训练模型进行预测（回归和分类），无监督学习则从无标签数据中发现隐藏模式（聚类和异常检测）。线性回归作为监督学习的基础方法，使用均方误差成本函数评估模型性能，并通过梯度下降算法优化参数。梯度下降通过迭代调整参数使成本函数最小化，学习率的选择对收敛至关重要。本文系统介绍了机器学习的基本概念、分类方法以及线性回归的实现原理和优化过程。
平衡二叉树：机器学习中高效数据组织的基石
拒绝AI玄学，只聊真技术▲
11-20 1052
平衡二叉树是一种特殊的二叉搜索树，其中任何节点的左右子树高度差的绝对值不超过1，并且左右子树也都是平衡二叉树。这种平衡性质确保了树的高度始终保持在对数级别，使得查找、插入和删除操作的时间复杂度都为O(log n)。与普通二叉搜索树相比，平衡二叉树的关键优势在于它能够避免树退化为链表的情况，从而保证最坏情况下的性能。这对于机器学习应用尤为重要，因为数据分布往往是不均匀的，而平衡二叉树能够适应各种数据分布情况。平衡二叉树作为基础而强大的数据结构，在机器学习和其他计算机科学领域继续发挥着重要作用。
更换适配python版本直接进行机器学习深度学习等相关环境配置(非仿真环境)
qq_42217078的博客
11-23 208
​ 上一篇 最新的python3.14版本下仿真环境配置深度学习机器学习相关 在仿真环境下配置的 ，但是运行效率没有直接合适版本的快，故而重新配置 ​至此环境已完全配置就绪，可直接用于机器学习、深度学习、数据可视化等各类开发场景！ 整理不易，诚望各位看官点赞 收藏 评论 予以支持，这将成为我持续更新的动力源泉。若您在阅览时存有异议或建议，敬请留言指正批评，让我们携手共同学习，共同进取，吾辈自当相互勉励！
机器学习周报二十三
weixin_60864619的博客
11-23 547
本周学习了扩散模型，重温之前的扩散模型的知识和流程，并且对其中一些疑惑的点进行学习，通过代码生成了几张手写数字识别的数据集；也进行了对rcnn的代码学习，但是还没有攻克这个难题。This week, I studied diffusion models, revisited previous knowledge and processes of diffusion models, and studied some points that I was confused about. I generated s
多峰差分进化算法的理论进展：从生态位到机器学习融合
nmdbbzcl的博客
11-20 77
Chauhan 等人的工作为多峰差分进化提供了一幅相对完整的研究全景：一方面回顾了 DE 在参数自适应与结构利用上的主流演化路线；另一方面，从生态位、聚类、变异与混合、机器学习、多层与多目标等多个主题对近年的 MMDE 文献进行了系统归类；最后在应用与实验分析的基础上，提出了一系列开放问题。对于希望在 优快云 或科研工作中进一步深入这一方向的读者，可以考虑按如下方式使用这篇综述——这里不再罗列式给出“做法清单”，而是尝试描述一种“阅读节奏”。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

科研程序开发

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值