一、图嵌入

传统图机器学习需要使用人为的特征工程来实现图到D维向量的转换。而图表示学习是有计算机自动学习特征将各模态输入转换为向量，这个过程不需要人工干预。

d维向量有如下特点：

低维：向量的维度远小于节点数

连续：每个元素都是实数

稠密：每个元素都不为0（区别于热编码）

嵌入向量包含网络的连接信息，且能用于下游任务。

二、基本框架

1.编码器

输入一个节点，经过处理后输出其对应的d维向量。

2.解码器

将编码器得到的向量进行点积，得到其余弦相似度（标量，可以反映节点的相似度）

！！！需注意的是编码器和解码器的结构是可以更换的，不一定是点积，得到的也不一定是余弦相似度。

框架迭代优化的方向是：使得图中相似节点的向量数量积大，不相似节点的向量数量积小。

三、常见的编码器

1.浅编码器

实质上是人为将所有节点的d维向量写入一个矩阵 $Z$ 中，将此矩阵与一个热编码(one-hot)向量 $v$ 相乘即可得到嵌入向量，记作： $Enc(v)=z_v=Z \cdot v$ ；其中矩阵 $Z$ 的参数为可学习参数。

2.随机游走

从 $u$ 节点出发，生成一个随机游走序列，求其经过 $v$ 节点的概率，记作： $P(v|z_u)$ 。

可以通过softmax激活函数计算： $\sigma (z)[i]=\frac{e^{z[i]}}{\sum e^{z[i]}}$ 或sigmoid计算： $S(x)=\frac{1}{1+e^{-x}}$

①Deepwalk

1.采样得到若干随机游走序列，计算条件概率

2.迭代优化每个节点的d维向量，使得序列中共现节点向量数量积大，不共现节点向量数量积小。

似然目标函数： $\underset{f}{max}\sum logP(N_R(u)|z_u)$ ，其中 $N_R(u)$ 为从 $u$ 节点出发的随机游走序列，游走策略为 $R$ 。

损失函数： $\iota=\sum\sum -log(P(v|z_u))$ ，其中概率由softmax计算 $P(v|z_u)=\frac{exp(z_u^Tz_v)}{\sum exp(z_u^Tz_n)}$

负采样：可以将 $P(v|z_u)=\frac{exp(z_u^Tz_v)}{\sum exp(z_u^Tz_n)}$ ，近似为 $log(\sigma(z_u^Tz_v))-\sum_{i=1}^k log(\sigma(z_u^Tz_{n_i}) )$ ，此式中的 k 为负样本个数。k一般取5-20，且统一个游走序列中的节点不应被采样为“负样本”。