前言 Label Propagation (Relational Classification) 这是一种集体分类方法。 Iterative Classification 这是一种集体分类方法。 既要用到节点的连接信息，也要用到节点本身的属性信息(特征)，分别训练两个分类器解

PageRank节点重要度 在NetworkX中，计算有向图节点的PageRank节点重要度。 参考资料 networkx官方教程：https:/

Links as votes 使用In-coming links作为投票，也就是别人引用了我，即一个节点被多少其他节点指向，那么这个节点被多少用户点击的概率就越大。 p

基于原文作的个人笔记，在此展出 建议按住ctrl然后滑动鼠标滑轮放大查看，笔记做的很小，图片分辨率很高，放大也不会糊 原文：Combinator

前言 DeepWalk 仅能反映相邻节点的社群相似信息，无法反映节点的功能角色相似的信息，因为DeespWalk仅使用连接信息(结构信息)学习。 有偏随机游走 通

参考资料 https://www.analyticsvidhya.com/blog/2019/11/graph-feature-extraction-deepwalk/ https://github.com/prateekjoshi565/DeepWalk 安装工具包 1 !pip install networkx gensim pandas numpy tqdm scikit-learn matplotlib Collecting networkx Downloading networkx-3.1-py3-none-any.whl (2.1 MB)  ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

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

如何嵌入 全图进行编码嵌入 引入虚拟节点 匿名随机游走 https://arxiv.org/pdf/1805.11921.pdf 只要是新节点就标记新的一号，认号不认原来的节点标识。 使用不同匿名随机游走序列的个数构成的向

前言 矩阵分解和随机游走在数学上意义是一样的。 矩阵分解计算 矩阵分解这里可能解析解不能直接求得，且可能不唯一，所以实际计算用的数值解。 具体的证明

前言 本文讲述映射成D维向量的基于随机游走方法。 学习路径： 图嵌入 - Node Embedding 把节点映射为一个D维向量。 图表示学习用表示学习替代手工的特征工程，自动化