目錄

• 1 目的和思想
• 2 模型原理
• • 2.1 隨機(jī)游走生成序列
• 3 node2vec 總結(jié)

1 目的和思想

node2vec 模型的目的：將圖的頂點(diǎn)表示為向量
node2vec 的整體思想：在deepwalk的random walk基礎(chǔ)上對(duì)游走的方式做修改，利用 bfs 和 dfs 的思想
模型出自論文: node2vec: Scalable Feature Learning for Networks

2 模型原理

模型實(shí)現(xiàn)：

隨機(jī)游走生成序列

通過 skip-gram 訓(xùn)練頂點(diǎn)向量

更新向量中參數(shù)

算法步驟：

2.1 隨機(jī)游走生成序列

基礎(chǔ)的 random walk 的游走是隨機(jī)的，如下

node2vec 的游走是基于 random walk 的，利用了bfs和dfs的思想

將兩者結(jié)合，給出了新的游走策略，$\alpha$ 表示游走概率，從 $t$ 走到 $v$，對(duì)下一個(gè)節(jié)點(diǎn)進(jìn)行抉擇
其中 $d_{tx}$ 是從 $t$ 到 $x$ 的最短距離


參數(shù) $p$：控制在行走中立即重新訪問節(jié)點(diǎn)的可能性

p較高(> max(q，1))：可以確保我們?cè)诮酉聛淼膬蓚€(gè)步驟中不太可能對(duì)已經(jīng)訪問過的節(jié)點(diǎn)進(jìn)行采樣(除非行走中的下一個(gè)節(jié)點(diǎn)沒有其他鄰居)

p較低(< min(q，1))：它將導(dǎo)致遍歷回溯一個(gè)步驟，這將保持遍歷“本地”靠近起始節(jié)點(diǎn)

參數(shù) $q$：允許搜索區(qū)分“向內(nèi)”和“向外”節(jié)點(diǎn)

$q$ > 1：則隨機(jī)游走偏向靠近節(jié)點(diǎn)t的節(jié)點(diǎn)

$q$ < 1：表示越大的可能抽樣節(jié)點(diǎn)遠(yuǎn)離t，與DFS類似

當(dāng) p = q = 1 時(shí)，就是deepwalk

3 node2vec 總結(jié)

node2vec 是在 deepwalk 的 random 基礎(chǔ)上進(jìn)行修改，增加了形成序列的條件，利用 bfs 和 dfs 的思想，計(jì)算走到下一個(gè)節(jié)點(diǎn)的概率，來選擇節(jié)點(diǎn)，其余步驟和 deepwalk 一樣
在圖中，一個(gè)節(jié)點(diǎn)周圍的節(jié)點(diǎn)可能相似，所以想到 bfs。一個(gè)節(jié)點(diǎn)周圍的結(jié)構(gòu)和另一個(gè)節(jié)點(diǎn)周圍的結(jié)構(gòu)相似，則節(jié)點(diǎn)可能相似，所以想到 dfs

總結(jié)

以上是生活随笔為你收集整理的node2vec 图向量的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。