wwwkkkmm的博客

图嵌入方法之Node2vec（Ⅰ）主要思想node2vec的思想同DeepWalk一样：生成随机游走，对随机游走采样得到（节点，上下文）的组合，然后用处理词向量的方法对这样的组合建模得到网络节点的表示。不过在生成随机游走过程中做了一些创新。DeepWalk介绍见我另一篇博客（Ⅱ）核心介绍Node2vec是DeepWalk的一个改进，只是随机游走的差异很小。它有参数P和Q。参数Q定义了random walk发现图中未发现部分的概率，而参数P定义了random walk返回到前一个节点的概率。参数P控

图嵌入方法之deepwalk(Ⅰ). Graph embedding的意义图广泛存在于真实世界的多种场景中，即节点和边的集合。通过对它们的分析，我们可以深入了解社会结构、语言和不同的交流模式，因此图一直是学界研究的热点。图分析任务可以大致抽象为以下四类: ( a )节点分类，( b )链接预测，( c )聚类，以及( d )可视化。节点分类旨在基于其他标记的节点和网络拓扑来确定节点的标签(也称为顶点)；链路预测是指预测缺失链路或未来可能出现的链路的任务；聚类用于发现相似节点的子集，并将它们分组

图嵌入方法学习（二）1. 什么是随机游走随机游走（Random Walk，缩写为 RW），又称随机游动或随机漫步，是一种数学统计模型，它是一连串的轨迹所组成，其中每一次都是随机的。它能用来表示不规则的变动形式，如同一个人酒后乱步，所形成的随机过程记录。因此，它是记录随机活动的基本统计模型。其概念接近于布朗运动，是布朗运动的理想数学状态。2. 随机游走算法的操作步骤2.1 全局最优化求解全局最优化是一个非常复杂的问题，梯度下降法是一种求解局部极小值的方法，在求解精度不高的时候可以近似代替全局最小

图嵌入方法学习（一）（Ⅰ）什么是图嵌入图，如社交网络、单词共存网络和通信网络，广泛地存在于各种现实应用中。通过对它们的分析，我们可以深入了解社会结构、语言和不同的交流模式，因此图一直是学界研究的热点。真实的图（网络）往往是高维、难以处理的，20世纪初，研究人员发明了图形嵌入算法，图嵌入（Graph Embedding，也叫Network-Embedding）是一种将图数据（通常为高维稠密的矩阵）映射为低微稠密向量的过程，能够很好地解决图数据难以高效输入机器学习算法的问题。图嵌入是将属性图转换为向