最近这段时间一直在做图网络相关，也差不多收尾了，有空整体复盘了下，大致以下几个主题，不过没整理完全哈哈（下次一定
顺手再安利几份资料吧
一些大佬们的新书：《Graph Representation Learning》、《Deep Learning on Graphs》
ok，回到正题，今天要介绍的这篇是『Graph Embedding』系列第一篇，十分经典
论文：DeepWalk: Online Learning of Social Representations [1]
代码：https://github.com/phanein/deepwalk
enjoy~
TL;DR DeepWalk是首次将深度学习技术（无监督学习）引入到网络分析（network analysis）中的工作，它的输入是一个图，最终目标就是获得网络图中每个结点的向量表示
Karate network例子。
先验知识 说到生成向量表示，最有名的莫过于Word2Vec了，那么是不是可以将network embedding的问题转化为熟悉的word embedding形式呢？这样我们就可以借用word2vec的思想来解决了。
转化的方式就是Random Walk ，通过这种方式将图结构表示为一个个序列，然后我们就可以把这些序列当成一个个句子，每个序列中的结点就是句子中的单词。
简单的说，DeepWalk = RandomWalk + SikpGram， 下面我们来具体介绍下两种技术。
Random Walk 随机游走，顾名思义，就是从输入图中的任意一个结点
采用随机游走有两个好处：
「利于并行化」 ：随机游走可以同时从不同的顶点开始采样，加快整个大图的处理速度；
Skip Gram word2vec的skip-gram相信大家都非常熟悉了，这里就不再赘述，放一张图。
DeepWalk 结合上面两点， deepwalk其实就是首先利用random walk来表示图结构，然后利用skip-gram模型来更新学习节点表示。算法流程如下所示：
算法有两层循环，第一层循环采样
其中第2步构建二叉树的目的是为了方便后续 SkipGram模型的层次softmax算法。
参数更新的流程如下：
一个小结 deepwalk可以说给网络学习方向打开了一个新思路，有很多优点：
但是仍然存在许多不足：
游走是完全随机的，但其实是不符合真实的社交网络的；
本文参考资料 [1] DeepWalk: Online Learning of Social Representations: https://arxiv.org/abs/1403.6652
- END -
）
