Network Embedding—

输入： 图，一般为无向图，边可以有权重。

输出： 图中每个节点的embedding向量

一种方法是： 1. 以某种方式游走，生成一系列向量。2. 用word2vec 训练

DeepWalk、Node2Vec  相同点：在构建一系列向量时，都是对整个图的节点遍历n 边，每次遍历时，遍历每个节点，作为游走的起始节点，游走为长度为k的序列。再用word2vec 训练，一般是用SkipGram 的方式训练。

DeepWalk、Node2Vec  不同点： 游走方式不同，也就是在选择邻居节点时的方法不同。Node2Vec 中图的边有权值，影响游走时方向的选择。

DeepWalk 游走： 取某个随机值，这个随机值大于某个值alpha，则从邻居节点随机取。否则，取游走的（最初始）的节点

Node2Vec  游走：在当前节点（cur_node），要选择下一个节点时。邻居节点会出现3种情况，上一个节点（pre_node），cur_node和pre_node同时连接的节点，其他邻居节点。在转移时，分别以某种概率转移。

转移概率

如果是带权的边，在上述转移概率的基础上，会乘以边的权值。在转移时，会进行概率的归一化。那么抽样时，采用的是  Alias Method 算法。

应用： 微信的“lookalike” ，好友相似度。

参考：https://zhuanlan.zhihu.com/p/26222107

http://www.yeolar.com/media/note/2016/12/04/bj2016-archsummit/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%AE%9E%E6%88%98/%E5%BD%93%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E9%81%87%E4%B8%8A%E5%A4%8D%E6%9D%82%E7%BD%91%E7%BB%9C%EF%BC%9A%E8%A7%A3%E6%9E%90%E5%BE%AE%E4%BF%A1%E6%9C%8B%E5%8F%8B%E5%9C%88%20lookalike%20%E7%AE%97%E6%B3%95.pdf

https://blog.csdn.net/sky_zhe/article/details/10051967

https://github.com/aditya-grover/node2vec

https://github.com/phanein/deepwalk

https://baike.baidu.com/item/Zipf%E5%AE%9A%E5%BE%8B/1577540