一、简述 1.1 Network Embedding
基于一个Graph，将节点或者或者边投影到低维向量空间中，再用于后续的机器学习或者数据挖掘任务。
1.2 DeepWalk(Online Learning of Social Representations.)
1. DeepWalk简述：
Network/Graphrandom walk节点序列skip-gramout
2. DeepWalk算法思路：对图从一个节点开始使用random walk来生成类似文本的序列数据，然后将节点id作为一个个「词」，使用skip gram训练得到「词向量」。 这样做其实等价于特殊矩阵分解(Matrix Factorization)。
1.3 node2vec(Scalable Feature Learning for Networks)
1. node2vec在DW的基础上，定义一个bias random walk策略生成序列，采用BFS和DFS两种游走方式，仍用skip gram训练。
Network/Graphbias random walk节点序列skip-gramout
(1)bias random walk
通过不同的p和q参数设置，来达到保留不同信息的目的。当p和q都是1.0的时候，它等价于DeepWalk。
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α：t是上一个节点，v是最新节点，x是候选下一个节点。d(t,x)是t到候选节点的最小跳数。 从节点t走到v以后，返回t的超参数为p，到其他节点的参数为q。p和q共同控制着重新访问节点(t)、走向前面的节点(x1)、走向更远节点(x2,x3)的概率。
(2)skip-gram
训练一个带有单个隐藏层的简单的神经网络来完成某个任务，但是实际上我们并没有将这个神经网络用于我们训练的任务。相反，目标实际上只是为了学习隐藏层的权重 – 我们会看到这些权重实际上是我们试图学习的“单词向量”。
二、详说skip-gram
参考博客：读懂Word2Vec之Skip-Gram
2.1 假任务
给定一个句子中的特定单词（输入单词），查看附近的单词并随机选择一个单词。网络将告诉我们，我们词汇表中每个单词是我们选择的“邻近单词”（“window size”参数）的概率。
上图采用了一个小的窗口大小为2，标为高亮蓝色的是输入单词。
2.2 模型细节
输入层：一个one-hot向量（10000个元素）
隐藏层：没有激活函数
输出层：使用softmax，一个单独的向量（10000元素，一个概率分布–浮点），包含了随机选中词典单词的概率。
2.3 隐藏层
隐藏层：一个10,000行（每一行都针对的是词汇表中的每个单词）和300列（每个隐藏的神经元一个列）的权重矩阵
最终目标实际上只是为了学习这个隐藏的层权重矩阵 – 当我们完成时，我们就会抛弃输出层！
隐藏层实际上只是作为一个查找表来操作，隐藏层的输出只是输入单词的“word vector”。
2.4 输出层
输出层：一个softmax分类器。每个输出的神经元(一个在字典中的单词向量)将会产生一个输出值，该值在0-1之间，并且所有的输出值求和之后是1.
2.5 创新
1，将常见单词对或短语视为单个“单词”
2，对频繁的词进行抽样以减少训练样例的数量
3，使用“负抽样”技术来修改优化目标，使每个训练样本只更新模型权重的一小部分