图神经网络 day1Graph Embedding

1.Graph Embedding

1.1 Deep Walk

通过随机游走得到每个节点的序列

（a）：embedding的值不能过于大

（b）：训练迭代次数的影响会越来越小

通过算出来的值，可以把节点分为三类

1.2 LINE

一阶相似性：两个节点连接且边的权重比较大，那么他们的embedding应该是相似的。用KL求联合概率密度和经验概率密度的距离，越小说明embedding的值效果越好。

二阶相似性：节点的邻居，共享邻居的节点可能是相似的。每个节点有两个向量表示，u:顶点本身的表示向量
u’︰该点作为其他节点邻居时的表示向量。简化的思想相似。

一阶二阶embedding训练完成之后，如果将first-order和second-order组合成一个embedding

1.3 node2vec

1.3.1 有策略的随机游走

1.3.2 算法展示

1.3.3 不同的p、q值对结果的影响

DFS，即q值小，探索强。会捕获homophily同质性节点，即相邻节点表示类似

BFS，即p值小，保守周围。会捕获结构性，即某些节点的图上结构类类似

k：邻居数量

1.3.4 边的embedding

1.4 Strc2vec

1.4.1 结构相似性

不用考虑节点之间和周围节点的连接性，只考虑这两个节点的相似性

1.4.2 构建多层带权重图

1.4.3 顶点采样序列

结论

Struc2vec适用于节点分类中，其结构标识比邻居标识更重要时。采用Struc2vec效果好

1.5 SDNE

SDNE:Structural Deep Network Embedding
之前的Deepwalk，LINE,node2vec，struc2vec都使用了浅层的结构,浅层模型往往不能捕获高度非线性的网络结构。即产生了SDNE方法，使用多个非线性层来捕获node的embedding

回顾