BITDDD小栈

一.引言前面介绍了 DeepWalk，Node2vec，通过不同游走方法获取游走序列，然后通过 word2vec 进行 embedding 训练， 在 word2vec 训练中，所有向量共用了同一个 embedding 空间即同一个 Variable，Line 提出了一阶和二阶相似度的概念，从而丰富了 embedding 空间。二.Line 算法1.Line 简介如上是一个信息网络的例子，在上例中 6 和 7 存在直连关系，可以判定为有较强联系，按照传统方法， 5 和 6 没有相连一

一.引言GraphEmbedding 基于各种图结构获取游走序列，通过游走序列 + word2vec 模型，获取图中节点的 embedding，本文主要聚焦于如何生成 Graph 以及 Graph 的相关操作。主要使用了 python 的 networkx 库，可以 pip install 提前安装。import networkx as nx二.生成图1.构造图生成图主要有 nx.DiGraph 有向图和 nx.Graph 无向图两种，除了图的不同外，边可以区分为有权重和无权重，下

一.引言上一篇文章讲到了如何使用networkx 获取图，通过networkx 获得的图我们可以通过获取节点的邻居开始随机游走，从而获得游走序列，进而结合 word2vec 进行节点向量化操作。二.DeepWalk 原理1.获得关注关系图通过节点之间的关系生成图，在DeepWalk算法中，各个节点之间的权重默认为1。2.在图中游走获取序列DeepWalk 涉及到的随机游走是一种可重复访问已访问节点的深度优先遍历(DFS)算法。给定起始节点，从该节点的邻居中随机选取访问..

一.引言通过最基础的 DeepWalk 已经可以获取关注关系图中节点的 embedding，除了通过 embedding 计算内积获取两个节点的语义是否相近之外，还可以通过可视化的方式观测得到的 embedding。下面通过几种基本的降维方法获取降维后的向量与其对应的分布图，可以更好的分析和评估 embedding 质量。Tips:优快云-BITDDD要降维的向量可以使用自己提前准备好的高维向量，也可以结合上一节DeepWalk生成的随机向量进行测试。上图为 DeepWal...

一.引言Alias Sample 即别名采样应用于离散采样，假设有一个随机事件包含 N 中情况，每种情况发生的概率为 P1,P2,...Pn 且其和为1，我们希望采样得到的事件能够符合随机事件的原始概率分布，这时候就需要 Alias 采样， Alias 是一个通过空间复杂度换取时间复杂度的算法，构造采样表的复杂度为 O(n)，而采样的复杂度为 O(1)。在Graph Embedding 中，本质上节点用户对不同邻居节点的权重大多是不一致的，但之前提到的 DeepWalk 对用户的权重没有考虑或者默认节点

一.引言前面介绍了如何生成带权的图:GraphEmbedding - networkx获取图结构从带权的图随机游走生成序列:GraphEmbedding - DeepWalk 随机游走embedding 向量的评估与可视化:GraphEmbedding - embedding 向量的降维与可视化以及复杂度O(1)的采样算法 Alias:GraphEmbedding - Alias 采样图文详解还有二叉树搜索的 DFS 与 BFS:二叉树的遍历 DFS 与 BFS结合上面5个.....