概述

論文主要觀點

本文將抽取網(wǎng)絡中節(jié)點的特征轉化成最優(yōu)化一個“可能性”目標函數(shù)問題，這個“可能性”是該節(jié)點可以保存其鄰居節(jié)點的信息。

成果

• node2vec，如上述，利用SGD優(yōu)化，高效
• “隨機選擇鄰居”算法，可讓node2vec可適應不同的網(wǎng)絡

方法模型

• 定義可能性，并且給予兩個條件，構成要優(yōu)化的目標函數(shù)；

  
  
  
  
  

  條件獨立性：

  
  
  
  
  節(jié)點之間對稱性：
  
  
  
  

  最后目標函數(shù)：

  
  
  
• 既然目標函數(shù)描述的是此節(jié)點能保存相鄰節(jié)點的可能性，那么最重要的就是對于相鄰節(jié)點的選擇算法了，在這里本文利用了一種“Random Walks”的方式，其中含有幾個參數(shù)，該算法可以在BFS和DFS中隨意變換以達到最好的效果，這部分沒具體看，不做詳細記錄。

創(chuàng)新點

本文的“保存相鄰節(jié)點可能性”來自于一篇自然語言處理論文，在自然語言中，源文件是線性的，只要設置一個“滑動窗口”即可方便實現(xiàn)。那么本文將該線性方法使用到非線性的圖中，創(chuàng)新點就在于引入“Random Walks”的鄰居節(jié)點選擇方式。

總結

本文的特征抽取方式類似于聚類分析的非監(jiān)督方法，本質上都是利用相鄰節(jié)點之間的聯(lián)系。文中提到了網(wǎng)絡中的節(jié)點一般有兩種相似度量：1.內容相似性，2.結構相似性。其中內容相似性主要是相鄰節(jié)點之間的相似性，而結構上相似的的點并不一定是相鄰的，可能隔得很遠，這也是文中為何要把BFS和DFS相結合來選擇鄰居節(jié)點的原因。

我的想法

• 這是一篇很有啟發(fā)作用的好文章。總的來說，你可以以兩個方式來看一個網(wǎng)絡中的節(jié)點，第一，“看本身”，只看這個節(jié)點，用其本身的表象來抽取特征，對應于監(jiān)督方式；第二，“看聯(lián)系”，看其和其周圍的節(jié)點，其周圍節(jié)點一定具有一定的相似度，對應于無監(jiān)督方式。
• 那么對于任何問題，我們如果想去看聯(lián)系，首先要根據(jù)某種規(guī)則讓他們存在聯(lián)系，這種存在聯(lián)系的過程必須是自然的，才能很好的體現(xiàn)出“無人為干預”的自主聚類形式。