一、基本信息论文题目：《DeepWalk:OnlineLearningofSocialRepresentations》发表时间：KDD2014论文作者：BryanPerozzi、RamiAl-Rfou、

背景介绍这几年图神经网络模型（如谱聚类的GCN、GAT等等）都挺火的，这些图神经网络即将节点或图映射到一个低维空间（称为图嵌入）；而除了GNN还有很多图嵌入方法（在GNN之前图嵌入的概念常出现在流行学习和网络分析的研究中），这类图嵌入方法可以分为【基于矩阵分解的图嵌入方法】和【基于随机游走的图嵌入方法】，后者方法就是来自本篇论文，即第一个将NLP的思想用在网络嵌入（NetworkingEmbedd

论文阅读|DeepWalk:OnlineLearningofSocialRepresentations文章目录论文阅读|DeepWalk:OnlineLearningofSocialRepresentationsAbstractIntroductionProblemDefinitionLearningSocialRepresentationsMethod

今天我们介绍GraphEmbedding第二个算法——LINE（Large-scaleInformationNetworkEmbedding）一阶与二阶相似度Deepwalk算法度量节点之间的相似性是根据是否有边相连决定的

本文转载自【GraphEmbedding】LINE：算法原理，实现和应用-浅梦的文章-知乎https://zhuanlan.zhihu.com/p/56478167之前介绍过DeepWalk，DeepWalk

转载自【GraphEmbedding】DeepWalk：算法原理，实现和应用-浅梦的文章-知乎https://zhuanlan.zhihu.com/p/56380812本文首先从整体介绍一下图表示学习，

转载https://blog.csdn.net/u012151283/article/details/86806922?spm=1001.2014.3001.5501图表示学习我们都知道在数据结构中，图是一种基础且常用的结构。现实世界中许多场景可以抽象为一种图结构，如社交网络，交通网络，电商网站中用户与物品的关系等。目前提到图算法一般指：经典数据结构与算法层面的：最小生成树(Prim,Kruska

embedding：以较少的维度表示每个类别，并且还可以一定的表现出不同类别变量之间的关系embedding的理解4.1word2vec:包括CBOW和skip-gram:word2vec中的数学原理详解4.2deepwalk

DeepWalk:OnlineLearningofSocialRepresentations论文作者：B.Perozzi,R.Al-Rfou,andS.Skiena论文来源：KDD,2014论文链接：https

图学习算法分类1.4、配置环境实例Day2：图游走类算法2.1目标2.2引入——Word2vec介绍Skip—GramNegativesamplingWord2ve：整体框架2.3图游走模型2.3.1DeepWalk2.3.2

文章目录[GraphEmbedding]DeepWalkIntroductionRandomWalksGraphEmbedding与NLPDeepWalk算法原理总结[GraphEmbedding]DeepWalkIntroduction图表示学习是将图(Graph/Network)中节点在一个低维的连续的向量空间中表示出来，这种表示能够保留节点与邻居的相似性、节点的社区成员属性等。得到节点的向量

文章目录EGES背景—DeepWalk理论与实现DeepWalk引入推荐系统—EGES在阅读此文之前建议先学习word2vec详解。

今天学习的是纽约州立大学石溪分校在NetWorkEmbedding的工作《DeepWalkOnlineLearningofSocialRepresentations》，这篇文章于2014年发表于ACM会议，目前已经有2700多引用，是第一个将Word2Vec应用到NetWorkEmbedding并取得了巨大成功的方法。由于论文比较简单，所以直接进入主题。1.Introduction这篇论文提出了一

如图所示可以将网络中的节点用低维的向量表达，然后来执行实际的任务（异常检测，分类，链接预测等等）DeepWalk论文中作者提出自己的三点主要贡献：作者使用深度学习作为工具去分析图，建立了一个适合复杂模型的

最近在整Graphembedding，采用的是随机游走算法，代码都搞下来了，却在调试阶段碰到了很多问题。1.该代码应该用Cmd进行运行，刚开始我在pycharm界面上运行半天，还很奇怪为什么运行不成功，具体教程在这里https://www.jianshu.com/p/5aa28d5dbb63，这位小姐姐说的很详细了，2.碰到了这个问题，RuntimeError:dictionarychangeds

目录数据的图示不同类型的基于图的特征节点属性局部结构特征节点嵌入DeepWalk简介在Python中实施DeepWalk以查找相似的Wikipedia页面数据的图示当你想到“网络”时，会想到什么？

4.1概览4.2算法：深度游走4.2.1*SkipGram*4.2.2*HierarchicalSoftmax*4.2.3优化4.3并行化5、实验设计5.1数据集5.2Baseline方法摘要我们提出了DeepWalk

将用户的session序列构建成有向图,通过考虑item之间的转移关系,更好的学习itememb及用户的向量表达.relatedwork一些流行的GNN演变.word2vec,DeepWalk,LINE

deepwalk简述word2vec工作，skip-gram模式下的优化目标是P({vi−2,vi−1,vi+1,vi+2}∣vi)P(\{v_{i-2},v_{i-1},v_{i+1},v_{i+2}

图嵌入应用场景：可用于推荐，节点分类，链接预测（linkprediction），可视化等场景一、考虑网络结构1.DeepWalk（KDD2014）（1）简介DeepWalk=RandomWalk+Skip-gram

整理自https://blog.csdn.net/qq_31778495/article/details/80757478目录0.基本信息1.论文简介2.论文作者及单位3.论文相关报告和代码开源1.概述2.简介3.主要成果4.目标问题5.理论支持5.0白话理解5.1幂律分布5.2语言模型6.算法介绍6.1算法一：短随机游走生成采样节点序列6.2算法二：利用word2vec中SkipGram算法生成

DeepWalk:OnlineLearningofSocialRepresentationsAbstract1.Introduction2.ProblemDefinition3.LearningSocialRepresentation3.1RandomWalk3.2Connection

有明确的目标函数（这一点DEEPWALK是没有的，DW没有提出一个明确的目标函数来告知什么网络属性被保留下来，直观上讲，DW更偏向于结点间有更高的二阶相似度的有相似的表征）该目

Deepwalk借鉴了word2vec算法的思想，word2vec算法是根据语料库中的句子构建单词的共现关系，然后使用targetwords预测contextwords（skip-gram模型）或是使用

video和slides：http://videolectures.net/kdd2014_perozzi_deep_walk/论文翻译：https://www.jianshu.com/p/5adcc3d94159问题：1.skipgram2.分层softmax3.代码阅读

本质上来说，node2vec其实是基于DeepWalk的改进，所以要想了解node2vec，就需要先了解DeepWalk。这里对DeepWalk仅做简要介绍，详细内容

二、DeepWalk算法参考文献：论文题目：DeepWalk:OnlineLea

DeepWalk是一种学习网络中节点的表示的新的方法，是把languagemodeling的方法用在了socialnetwork里面，从而可以用deeplearning的方法，不仅能表示节点，还能表示出节点之间的拓扑关系

文献：DeepWalk:onlinelearningofsocialrepresentations对比阅读了几篇关于网络表示学习的文献，其中一篇包括DeepWalk的提出，下面将自己对于论文的理解和论文的笔记组织好记录下来

---广告时间，欢迎关注本人公众号：LINE的核心方法首先，还是先来脑补一下LINE方法的思考过程：相似度&距离在上一篇中，我们已经知道DeepWalk是采用类似于Word2Vec的方法，用一个节点的邻居序列来保存节点在

DeepWalkOnlineLearningofSocialRepresentations[1]论文大纲问题定义贡献使用Deepwalk学习结点表征思路大概是这样的detail0：为什么可以将语言模型中的技术用在结点表征中

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。

论文题目：《DeepWalk:OnlineLearningofSocialRepresentations》出版时间2014年6月这篇文章是网络表示学习的经典文章，下面将简单介绍这篇文章的算法思想，如有不对的地方

上文主要介绍了deepwalk原论文是如何从原始语料获得graph，以及如何从graph，随机游走出item序列。继而通过word2vec或得item向量。从而完成推荐。

1.deepwalk1.1随机游走1.2向量学习2.node2vec2.1DFS和BFS随机游走2.2参数p、q对游走策略的影响2.3node2vec

node2vecnode2vec也是一种网络嵌入的表示方法，它是基于DeepWalk的基础上进行改进的。

更多深度文章，请关注云计算频道：https://yq.aliyun.com/cloud作者介绍：KamilSindi、NirYungster,数据科学家Linkedin：https://www.linkedin.com/in/kamilsindi/zh-cnLinkedin：https://www.linkedin.com/in/nir-yungster-b5367b37/zh-cnJWPlaye

1.准备工作2.详细解读2.0完整源代码2.1import2.2main()2.3process(args)2.4程序入口2.5代码简化3.deepwalk文件逻辑1.准备工作deepwalk源代码链接

目录一、deepwalk解读1.deepwalk介绍2.deepwalk优势2.1online学习2.2并行2.3信息缺失2.4graphembedding3.deepwalk算法和流程实现二、deepwalk

推荐系统方面也就看了几篇论文，实现了个很简单的矩阵分解还有做了个deepwalk的推荐应用。复现论文、做应用的时候，各种错误……所幸查了各种资料、多方面实践花了大量时间才终于搞定。4月初试着投了

摘要什么是embedding?Embedding在数学上表示的是一个映射关系，F:X->Y，也就是一个函数。该函数具有两个性质：injective和structure-preserving。Injective，即我们所说的单射函数，对于每个Y只有唯一的X对应，反之亦然；structure-preserving，结构保存，比如在X所属的空间上X10:walk.append(random.choice

1.概述本系列之前文章主要介绍了基于空间（Spatial）和图谱（Spectral）理论的图神经网络（GNN）GraphNeuralNetworks(GNN)（一）：Spatial-GNNGraphNeuralNetworks(GNN)（二）：Spectral-GNN引言和导入GraphNeuralNetworks(GNN)（三）：Spectral-GNN之GCNGraphNeuralNetwor

DeepWalk:OnlineLearningofSocialRepresentations，KDD'14阅读更多，欢迎关注公众号：论文收割机（paper_reader）原文链接：网络表达学习系列（一）

deepwalk主要描述的是DeepLearning的方法学图结构，学出每个节点的隐含表示（比较像LSA、LDA、word2vec）主要是基于随机游走实验步骤及代码1.http://www.perozzi.net

一、word2vec在自然语言处理中，词向量是一种常见的词分布式表示。词表中的每个单词均由一个维度固定的连续向量表示。word2vec是2013年Google公布的训练词向量的工具，其包含了两个模型，分别是：CBOW和SkipGram。这里仅简单介绍SkipGram模型，更加详细的原理介绍见文章【自然语言处理】【Word2Vec(二)】超详细的原理推导(包含负采样和层次softmax)。1.Ski

DeepWalk是一种图嵌入算法，其原理见【图表示学习】word2vec与DeepWalkDeepWalk的源代码Github为https://github.com/phanein/deepwalk本文是对源代码的简化和重新整理

本文介绍了图神经网络的基本原理，以及两种高级的算法，DeepWalk和Gra

AGentleIntroductiontoGraphNeuralNetworks(Basics,DeepWalk,andGraphSage)图神经网络的简要介绍（基础知识，DeepWalk和GraphSage

deepwalk+word2vec比较简单，效果也还可以。这种方法再此不再介绍。接下里记下我对line算法的一些理解。先说line算法要解决的问题。1、需要能够表示有向图。

详细的资料可以参考：网络表示学习相关资料1.传统：基于图的表示（又称为基于符号的表示）如左图G=（V，E），用不同的符号命名不同的节点，用二维数组（邻接矩阵）的存储结构表示两节点间是否存在连边，存在为1，否则为0。缺点：长尾分布下大部分节点间没有关系，所以邻接矩阵非常稀疏，不利于存储计算。2.网络表示学习（NetworkRepresentationLearning，NRL），也称为图嵌入法（Gra