1、图游走类算法简介

目标：Node embeddings。得到节点的低维表示，学习到节点与邻居的关系，更好地表示节点信息，再用于下游任务

方法：多次游走，得到游走序列，类似于NLP领域的Word2vec模型：词的语义由其上下文决定

2、Word2vec

2.1 Word2vec：Skip Gram

通过给定中心词预测上下文这个任务，得到Hidden layer的参数，通过Hidden Layer即可得到词的Embedding。

2.2 Word2vec：Negative Sampling

softmax需要对上下文的每个词都预测一个概率，计算量很大

提出负采样（Negative Sampling），得到正样本和负样本，做一个分类任务，将 Softmax 变为 Multiple sigmoid

3、Word2vec->图浅入领域

3.1 图游走类模型-DeepWalk

通过随机游走得到NLP领域中的“句子”，得到多个游走序列，本质就是可以回头的DFS

15：50