論文“DeepWalk: Online Learning of Social Representations” 發表在kdd2014，
下載地址：https://arxiv.org/pdf/1403.6652.pdf
作者開源的代碼：https://github.com/phanein/deepwalk
文章提出的deepwalk用於學習圖網絡中節點的低維表示，學習出的低緯embedding可以被用於各種任務。其實deepwalk的思路我已經在https://blog.csdn.net/sxf1061926959/article/details/88078008中做了介紹，方便自己以後學習，單獨記錄一下。
文章提供的思路很簡單，我覺得這個算法很不錯的一點是可以做實時訓練，比如來一個新的節點，因爲圖節點的訓練都是基於隨機遊走選擇的session來進行的，所以新加入的節點，只需要對其鄰近的節點選擇合適的session進行訓練就能使用，非常方便。能很好的應用到工業界中。
思路
整體的代碼邏輯如下：
1.構造graph
根據自身需求構造好一個同構網絡G(V,E),指定參數w，爲skip-gram的窗口大小，d爲學習的embedding向量長度，r爲重複訓練節點的次數，t爲隨機遊走截取session的長度。
2.隨機遊走
算法以構造好的同構網絡作爲輸入，對圖中節點做shuffle後遍歷節點，做隨機遊走。其中每次的隨機遊走node按DFS從鄰近node中均勻採樣下一個node，下一個node繼續重複以上過程，直到事先指定的長度爲止。以上動作重複r次。
3.skip-gram訓練
第二步可以生成大量的node 的session，將這些session看成句子，session中的node節點看作單詞，利用skip-gram算法對其進行訓練。從而生成每個node節點的embedding向量。
完