1. 概念介紹
圖：是一種非常常用的結構，包含邊和節點；
Graph Embedding：圖中的每個節點會對應一個詞向量，某兩個節點挨的越近（或者聯繫越緊密、或者共同的邊越多），詞向量在詞向量空間裏也就越近（想想單詞的詞向量的定義，和這差不多，就是把文字中的單詞遷移到圖的節點了）
2. deepwalk
想想單詞的詞向量訓練的時候，是不是根據文本序列，生成中心詞和上下文詞列表分別作爲輸入輸出訓練skipgram模型的；那麼對於圖來說，怎麼生成節點序列呢？有節點序列就可以生成中心節點和上下文節點列表，就可以訓練skipgram模型了！並且這個節點序列一定要像文本序列一樣的分佈，即聯繫得緊密，就越能共現，deepwalk生成的節點序列就有這個特點！
那麼deepwalk到底是什麼呢？怎麼生成節點序列呢？它真的是經典又簡單。
顧名思義：隨機遊走，我從任意一個節點出發，隨機選擇和該節點有邊的一個節點作爲下一個節點，不斷重複這個過程，就生成了一個節點序列啦！用我們的意念想一想！是不是採樣的節點序列多了以後，聯繫得越緊密的節點，就越能共現。嚴謹的同分布證明在paper裏有，感興趣的可以看！
3. deepwalk流程
4.deepwalk核心代碼
def deep_worker(self):
for _ in range(self.nums):
for node in self.G.nodes():
self.node_series.append(self.random_walker(node))
def random_walker(self, first_node):
series = [first_node]
for _ in range(1, self.walk_length):
nodes_list = list(self.G.adj[first_node])
first_node = random.choice(nodes_list)
series.append(first_node)
return series
5. 實驗
在wiki數據集上做實驗，wiki數據集包含 2,405 個網頁和17,981條網頁之間的鏈接關係，以及每個網頁的所屬類別。
實驗中word2vec模型使用gensim的skipgram，畢竟我自己寫的skipgram比較慢，我還沒找着慢的原因...
可以看到相同顏色的點基本都聚在一起，說明他們比較相似嘛！
(明天有時間會把)數據和代碼放在本人的github裏，寫的比較搓，待改進...