Graph Embedding面试级别整理

graph embedding面试级别整理
https://blog.csdn.net/Dou_Hua_Hua/article/details/108095421
考虑网络结构，deepwalk，graphrep, struc2vec, line, node2vec, graphsage
考虑结构和其他信息：cene，cane，transnet
dl：gcn，sdne
gan：graphgan，ane

DeepWalk:
同质性和结构性
Line：
定义一阶相似度和二阶相似度
Node2vec:

节点 u 与其相连的节点 s1、s2、s3、s4 的 embedding 表达应该是接近的，这是同质性相似。节点 u 和节点 s6 都是各自局域网络的中心节点，结构上相似，其 embedding 的表达也应该近似，这是结构性相似。
通过参数p和q平衡同质性相似和结构性相似。
EGES

1. 首先，我们拥有上亿用户的行为数据，不同的用户，在每个 Session 中，访问了一系列商品，例如用户 u2 两次访问淘宝，第一次查看了两个商品 B-E，第二次产看了三个商品 D-E-F；
2. 然后，通过用户的行为数据，我们可以建立一个商品图（Item Graph），可以看出，物品A，B之间的边产生的原因就是因为用户U1先后购买了物品A和物品B，所以产生了一条由A到B的有向边。如果后续产生了多条相同的有向边，则有向边的权重被加强。在将所有用户行为序列都转换成物品相关图中的边之后，全局的物品相关图就建立起来了。
3. 接着，通过 Random Walk 对图进行采样，重新获得商品序列；
4. 最后，使用 Skip-gram 模型进行 Embedding 。

解决冷启动方式：
如何实现呢？其实并不难。如下图，在训练 Embedding 的时候，不同的补充信息各自经过 Embedding，加权平均汇总到隐含层之后，再用来预测序列中的目标商品。

https://www.cnblogs.com/nxf-rabbit75/p/11250235.html
GraphRep:https://zhuanlan.zhihu.com/p/46446600
Struc2vec: https://zhuanlan.zhihu.com/p/56733145
SDNE: https://zhuanlan.zhihu.com/p/56637181
SDNE: https://zhuanlan.zhihu.com/p/113092065