图上的机器学习系列-聊聊struc2vec

前言

本篇继续我们的Graph Embedding之旅。以往我们生成的节点向量保留的一个特征是节点之间的距离，基于随机游走的这一类方法生成的节点距离往往是图上空间位置上的相近。现实世界中，网络中的节点往往还有一个特征就是其在网络结构上的位置角色，类似于下图中u,v这两个节点，它们在结构上的作用很相似，但如果基于随机游走的方法来进行embedding表示，无法将其映射为相似的账号。对传统复杂网络领域有所了解的同学也会联想到边介数、点介数这样的特征，它们刻画的也是节点或边在整个网络中的作用与影响力。

因此，今天我们将要介绍的这个struc2vec方法要刻画的就是这类节点的向量化表达，参考的论文为《struc2vec: Learning Node Representations from Structural Identity》。

----广告时间，欢迎关注本人公众号

算法思路消化

事实上，struc2vec可归属为deepwalk一类的方法，其最核心的方法仍然是先生成节点的序列，然后使用SkipGram来进行向量化求解。到目前为止，我们看到deepwalk发布以来，node2vec，metapath2vec，struc2vec都是遵循了其基本思想！也许这就是影响力吧，能对后人产生深远的影响，这种价值真是挺大的。话说回来，这些方法的差异点无非在于生成节点序列化的过程怎么操作，以便实现不同的关注重点。下面让我们带着问题来消化一下struc2vec。

struc2vec怎样度量节点的相似性？
创新性来了，