graph embedding 使用方法

不管是network embedding 仍是graph embedding都是经过节点(node)和边的图，学出每一个节点的embedding向量。

比较流行的算法有：

Model	Paper	Note
DeepWalk	[KDD 2014]DeepWalk: Online Learning of Social Representations	【Graph Embedding】DeepWalk：算法原理，实现和应用
LINE	[WWW 2015]LINE: Large-scale Information Network Embedding	【Graph Embedding】LINE：算法原理，实现和应用
Node2Vec	[KDD 2016]node2vec: Scalable Feature Learning for Networks	【Graph Embedding】Node2Vec：算法原理，实现和应用
SDNE	[KDD 2016]Structural Deep Network Embedding	【Graph Embedding】SDNE：算法原理，实现和应用
Struc2Vec	[KDD 2017]struc2vec: Learning Node Representations from Structural Identity	【Graph Embedding】Struc2Vec：算法原理，实现和应用

 

通常的应用框架以下：

一、构建图： Item和item的共现类似矩阵能够构成一个网络，其中每一个item都是节点，类似度达到必定阈值的两个item直接有边链接，类似度达不到阈值的不链接。

二、游走策略： 在网络里面，从一个节点随机走到有连线的下一个节点。走若干步，就获得了一个节点的序列。

deepwalk 选择下一步的几率为该节点链接的全部的边的类似度值取softmax, 也就是scale到0~1的几率值。node2vec 方法结合了DFS和BFS的方式。

三、学embedding 向量:  把随机游走的序列放到word2vec模型里面学，获得每一个节点的embedding向量。

四、使用学到的embedding 向量 使用机器学习方法进行分类。

 

总结连接：https://github.com/shenweichen/GraphEmbedding