DeepWalk是一种结合NLP和Graph Embedding的算法，首次在2014年提出，通过网络节点表示文本中的词，用截断随机游走的路径模拟句子，从而运用Skip-gram方法学习嵌入表示。算法目标是生成适应性强、社群内相似性高、低维且连续的社群表示。DeepWalk的核心步骤包括构建Hierarchical Softmax，进行多次随机游走，打乱网络节点，生成随机游走序列，以及使用Skip-gram模型更新参数。

随机游走，即截断式随机游走，收集训练数据或进行采样工作，每个节点作为根节点，随机寻找下一个节点，长度固定，增加算法并行性和适应性。Skip-gram算法使用随机游走生成的数据，通过与词2向量（word2vec）的训练方式相同，使用梯度方法更新参数。Hierarchical Softmax技术解决了标签过多导致的计算量问题，通过构建二叉树，减少计算复杂度。DeepWalk随机游走序列能套用skip-gram模型，因为网络特性与自然语言处理中的幂律分布相似。

实验参数包括宏F1和微F1指标，其中宏F1平等地看待各个类别，受稀有类别影响，而微F1更受常见类别影响。F1-Score的计算方法需参考相关资料。代码实现核心类包括DeepWalk算法的具体步骤。DeepWalk广泛应用于推荐系统，通过算法产出的向量进行向量召回、聚类等工作。

总结，DeepWalk算法结合了NLP和图嵌入领域，通过网络节点表示文本，运用截断随机游走模拟句子，学习嵌入表示，以生成适应性强、低维且连续的社群表示。随机游走、Skip-gram、Hierarchical Softmax等技术在算法中发挥关键作用，提高算法性能。DeepWalk在推荐系统中广泛应用，通过算法产出的向量进行推荐相关工作，提高系统性能。

本文地址： http://www.goggeous.com/20250108/1/1319007

文章来源：天狐定制

版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。