Deepwalk(深度游走)算法简介

主要思想

  Deepwalk是一种将随机游走(random walk)和word2vec两种算法相结合的图结构数据挖掘算法。该算法能够学习网络的隐藏信息，能够将图中的节点表示为一个包含潜在信息的向量，如图1-2所示。

图1 输入: 图信号

图2 输出: 图节点嵌入

Deepwalk算法

  该算法主要分为随机游走和生成表示向量两个部分。首先利用随机游走算法(Random walk)从图中提取一些顶点序列；然后借助自然语言处理的思路，将生成的定点序列看作由单词组成的句子，所有的序列可以看作一个大的语料库(corpus)，最有利用自然语言处理工具word2vec将每一个顶点表示为一个维度为d的向量。

1. 符号定义：一个图可以表示为：
   $$G=(V,E)$$其中，$V$表示顶点的集合；$E$表示边的集合, 且 $E\subseteq V\times V$。
2. 算法:

算法1: $DeepWalk(G,w,d,\gamma ,t)$
输入：图$G(V,E)$
窗口尺寸 $w$
输出维度 $d$
以每个节点开始的路径数量 $\gamma$
每条路径的长度 $t$
输出：隐含信息的表示矩阵$\Phi \in {\text{R}}^{|V|}\times d$
1. 随机初始化$Ф$
2: for $i=0$ to $\gamma$ do
3:   将顶点随机排列，即$O=Shuffle(V)$
4:    for 每一个$vi\in O$ do:
5:      $W_{v_i}=RandomWalk(G,v_i,t)$
6.      $Word2vec(Ф,W_{v_i},w)$
7.    end for
8. end for

参考文献

[1] Perozzi B, Al-Rfou R, Skiena S. DeepWalk: Online Learning of Social Representations[C]. Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining - KDD '14, 2014: 701-710.