graph embedding 使用方法

不管是network embedding 仍是graph embedding都是經過節點(node)和邊的圖，學出每一個節點的embedding向量。

比較流行的算法有：

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

 

通常的應用框架以下：

一、構建圖： Item和item的共現類似矩陣能夠構成一個網絡，其中每一個item都是節點，類似度達到必定閾值的兩個item直接有邊鏈接，類似度達不到閾值的不鏈接。

二、遊走策略： 在網絡裏面，從一個節點隨機走到有連線的下一個節點。走若干步，就獲得了一個節點的序列。

deepwalk 選擇下一步的機率爲該節點鏈接的全部的邊的類似度值取softmax, 也就是scale到0~1的機率值。node2vec 方法結合了DFS和BFS的方式。

三、學embedding 向量:  把隨機遊走的序列放到word2vec模型裏面學，獲得每一個節點的embedding向量。

四、使用學到的embedding 向量 使用機器學習方法進行分類。

 

總結連接：https://github.com/shenweichen/GraphEmbedding