1.背景
DeepWalk中根据边的权重进行随机游走，而node2vec加了一个权重调整参数
，最终生成的随机序列是一种DFS和BFS的结合；模型仍使用skip gram去训练。
2.原理
2.1 Random Walks
给定一个起始节点
，我们模拟一个固定长度
的随机游走，
表示行走中的第
个节点，起始节点：
。节点
走到节点概率定义为:
是节点之间非归一化概率；
是节点之间概率的和，用于归一化使用;
2.2 Search bias α
假设已知游走路径已从
走到
,从节点 走到下一个节点
按照转移概率
选择对应的节点；%C2%B7w_%7Bvx%7D)
其中：
是 到的最近的距离，在论文中 的取值为
这两个参数决定离开起始节点的速度；
2.2.1 参数p
- 表示访问已遍历节点的可能性；
-
)
：表示在连续两步，越小的可能访问已遍历节点；这种策略鼓励适度的探索，并避免了距离为2的节点抽样中的冗余
-
)
：表示遍历的节点接近起始节点；
2.2.2 参数q
- 允许搜索区分“向内”和“向外”节点；
-
: 表示越大的可能抽样节点靠近；可以获得与遍历中的开始节点相关的底层图的局部视图，与BFS类似；
-
: 表示越大的可能抽样节点远离； 与DFS类似；
-
就是deepwalk
3. algorithm
3.源码
py版本代码结构：
4.参考文献
- 论文地址：https://arxiv.org/abs/1607.00653
- 代码地址：https://github.com/aditya-grover/node2vec
- 别名采样算法：https://hips.seas.harvard.edu/blog/2013/03/03/the-alias-method-efficient-sampling-with-many-discrete-outcomes/
- 别名采样算法：https://blog.csdn.net/lee813/article/details/51497012
