知识卡片
DeepWalk随机游走
DeepWalk是在图结构上做Embedding的基础方法,它把网络结构转化为序列问题来处理。流程是:先由用户行为序列构建物品关系图,用户先后购买两件物品就在图上产生一条边,重复出现的边会加强权重;再从图中随机选起点做随机游走,重新生成大量物品序列;最后把这些序列喂给Word2vec训练,得到物品Embedding。随机游走的跳转概率定义为跳转边权重占该节点所有相关出边权重之和,无向无权图是其权重恒为1的特例。由于它用随机游走架起了图与序列之间的桥,DeepWalk被视为连接序列Embedding和Graph Embedding的过渡方法。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第4章 Embedding技术在推荐系统中的应用 · 查看原书依据
它的主要思想是在由物品组成的图结构上进行随机游走,产生大量物品序列,然后将这些物品序列作为训练样本输入 Word2vec 进行训练,得到物品的Embedding。因此,DeepWalk可以被看作连接序列Embedding和Graph Embedding的过渡方法。
参考来源
- 位置:《深度学习推荐系统》第4章 Embedding技术在推荐系统中的应用(源文件:extracted/深度学习推荐系统/_epub-src/text/part0008_split_004.html)
- 结论依据:原文4.4.1节给出DeepWalk四步流程与跳转概率定义,并明确称其为连接序列Embedding和Graph Embedding的过渡方法。
- 原始内容:它的主要思想是在由物品组成的图结构上进行随机游走,产生大量物品序列,然后将这些物品序列作为训练样本输入 Word2vec 进行训练,得到物品的Embedding。因此,DeepWalk可以被看作连接序列Embedding和Graph Embedding的过渡方法。