DeepWalk
前言
深度学习思想用于图嵌入的开山之作 - DeepWalk
学习路径：
Random Walk 是一种遍历图的基本方法，而 Deep Walk 则是一种利用 Random Walk 生成的序列来学习节点嵌入的具体方法。
背景
Embedding - 嵌入的艺术 - Representation Learning - 表示学习
类同 word2vec - 词向量
输入周围词预测中心词 - CBOW
输入中心词预测周围词 - Skip-gram
以 Skip-gram 为例：
随机游走 - Random Walk
编码前后可对比分类是否可区分，原图中相近的节点嵌入后依然相近，就证明是有效的。
编码后的D维向量再给算法操作，才是真正的机器学习。
PPT 讲解
原作者讲解视频：
https://dl.acm.org/doi/10.1145/2623330.2623732
原作者PPT：
http://www.perozzi.net/publications/14_kdd_deepwalk-slides.pdf
正文
机器学习最怕的就是数据是稀疏的
Deep Walk 参考NLP的word2vec，学习到连接的结构信息，每个节点都有向量表示。
i,i,d. 独立同分布假设
Deep Walk 没有使用节点本身的属性(label)
要求：
- 可扩展性
- 反映原图的结构信息
- 生成的向量低维度，低纬度嵌入有助于防止过拟合
- 连续的，细微差异导致的结构就不同了，拟合的边界是平滑的决策边界
实际网络是无标度网络(Scale-Free Network)，网络的节点数和度数分布验证不均匀，少数的Hub中枢节点拥有极多的连接，大部分节点只有很少的连接，服从幂律分布。
Node degree 服从幂律分布，某一个Node在随机游走序列出现的次数页服从幂律分布。
方法
一个随机游走生成器和一个迭代优化器。
优化计算损失函数的复杂度，分层softmax操作
使用霍夫曼树，n个叶子节点产生n-1个内部节点(逻辑回归)，每个有D个权重，每个内部节点有n个分支，每个分支指向一个叶子节点。
DeepWalk 有两套权重，N个节点的D维Embedding和N-1个逻辑回归，每个有D个权重。
