DeepWalk 算法详解

核心原理

DeepWalk 的核心思想是将图结构数据转化为类似文本序列的形式：

• 随机游走（Random Walk）：从每个节点出发，进行固定长度的随机游走，生成一系列节点序列，类比为“句子”。
• 词嵌入（Word Embedding）：将这些节点序列输入到 Skip-gram 模型中，训练出每个节点的低维稠密向量表示。

算法流程

1. 对图中的每个节点，启动多个长度为 t 的随机游走。
2. 收集所有游走路径，形成“语料库”。
3. 使用 Word2Vec 的 Skip-gram 模型训练节点嵌入。
4. 输出每个节点的 d 维向量表示，可用于下游任务（如分类、聚类等）。

应用场景

DeepWalk 广泛应用于社交网络分析、推荐系统、知识图谱等领域，尤其适用于标签稀疏或无监督场景下的节点表示学习。