精读图神经网络node2vec:scalable feature learning for networks论文

node2vec:scalable feature learning for networks

node2vec:大规模网络节点的表征学习

论文结构

**摘要：**介绍背景及提出node2vec模型，灵活可调的搜索策略

1. INTRODUCTION
   2. RELATED WORK
   3. FEATURE LEARNING
   4. SEARCH STRATEGIES
   5. Node2vec
   6. effectiveness
   7. experiments
   8. discussion**

学习目标

**1.node2vec算法：**对比bfs,dfs,biased random walk,alias sampling,算法时间复杂度分析
**2. learning framework：**wod2vec,损失函数
**3. 图算法：**常用数据集，框架
**4. 实验：**谱分解，实验设计，参数设置

精读论文

第一部分：论文导读

1. 论文研究背景，成果及意义
图是描述复杂数据的模型（任意的节点数量、复杂的关系）vs图片（CNN）、文本结构（word2vec）
数据源：SNAP,网络数据集，针对社交网络领域
http://snap.stanford.edu/
研究涵盖：节点分类node classification;边预测（link prediction）;社群检测（community detection）；网络营销（viral marketing）;网络相似度（network similarity）

论文的意义

1. 论文算法模型总览
2. 论文算法模型的细节一二三四五
3. 实验设置和结果分析
4. 论文总结
5. 本课回顾及下节预告
   1.论文算法模型总览
   
   
   特征工程与网络拓扑结构融为一体

论文摘要

摘要核心：1.通过biased random walk算法提出可调的搜索策略，生成不同的节点序列信息
2. node2vec算法在多个领域的网络数据集上达到SOTA.

图的特征工程

什么是图的特征工程？比如用连接表来表示点之间的关系。

Degree:每个节点有几个邻居，那么Degree就是多少。如果是有向图，那么分In和Out
Betweeness:桥梁作用
Closeness:到图上任意一个点的距离
pagerank：点的重要性

图的构建

随机游走算法Random walk

1.传统的random walk 不具备探索节点不同类型领域的能力，认为网络同时具备结构和同质相似性
BFS 和DFS

Node2vec结构

p代表return parameter,是否会回溯节点t;
q代表in out parameter,q>1，局部特征

实验