本文是《DeepWalk: Online Learning of Social Representations》笔记，介绍了如何将图的节点转换为二维坐标，以保持关系紧密的节点在坐标上接近。通过随机游走生成节点序列，应用word2vec训练，实现图到向量的转换。后续可以使用这些向量进行多标签网络分类任务，结合部分有标签样本训练分类器。论文提供了简单替代层次softmax的负采样方法。
废话少说，看图。就是把一个图的节点转换成二维坐标，保持坐标相近的点，在原始的图中关系也比较紧密（指边的连接关系）。我把这玩意称作Graph2Vec，差不多是这个意思吧。
/*Karate Graph好像是个经典的小数据集吧。一个空手道选手的关系图。*/
转成vector之后，再送到普通的分类器（比如LR）来处理一下即可。论文里是用来处理 multi-label network classification tasks，所以看到后面数据集和实验不要觉得很奇怪，怎么突然从unsupervised变成supervised了。只要数据全量转vector，然后用部分有label的样本训练分类器，最后预测其他无标签的样本即可。
http://leitang.net/social_dimension.html 数据集的定义
“network” is a symmetric sparse matrix representing the interaction between users, and “groups” are the groups subscribed by users。
具体算法
用random walk蒙特卡罗采样（相当于生成nlp里面的corpus），然后送到word2vec去训练，done。是的，算法介绍完了，就是这么简单。
所以代码也就这样
扫一扫
2367
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
