Deep walk模型 详细解释

1 数据解释
数据集：wiki数据集（2405个网页，17981条网页间的关系）
输入样本：node1 node2 <edge_weight>
输出：每个node的embedding

根据随机游走的序列，输入到word2vec的模型当中，然后就能训练后表示出该节点的embedding

2 代码思想

步骤① 构建一个有向图 ② 进行deepwalk取样本 ③ 输入到word2vec当中训练 ④ 得到了训练好的word2vec，进行evaluate
⑤ 数据分为x_train,x_test, 使用logistics函数，训练embedding后x_train对应的label，然后通过logstics函数预测x_test的标签（标签是0-16所属分类）
⑥画图

① 构建一个有向图

G = nx.read_edgelist('../data/wiki/Wiki_edgelist.txt',
                     create_using=nx.DiGraph(), nodetype=None, data=[('weight', int)])

② 进行deepwalk取样本 其中 deepwalk就是根据步长，进行深度优先遍历，如果该节点没有邻居节点了，就break出来

def deepwalk_walk(self, walk_length, start_node):
    walk = [start_node]
    while len(walk) < walk_length:
        cur = walk[-1]
        cur_nbrs = list(self.G.neighbors(cur))
        if len(cur_nbrs) > 0:
            walk.append(random.choice(cur_nbrs))
        else:
            break
    return walk

③ 输入到word2vec当中训练，得到该点的embedding表示

④ 得到了训练好的word2vec，得到了2405X128的embedding,然后进行模型的评价

class Classifier(object):

    def __init__(self, embeddings, clf<