1. 概述

DeepWalk算法是在KDD2014中提出的算法，最初应用在图表示（Graph Embedding）方向，由于在推荐系统中，用户的行为数据固然的可以表示成图的形式，因此DeepWalk算法也常被用于推荐系统中的item embedding的计算。Graph Embedding使用低维稠密向量的形式表示途中的节点，使得在原始图中相似（不同的方法对相似的定义不同）的节点其在低维表达空间也接近。

2. 算法思想

DeepWalk算法借鉴了word2vec算法的思想，word2vec是NLP中一种常用的word embedding方法，word2vec通过语料库中的句子序列来描述词与词的共现关系，进而学习到词语的向量表示。DeepWalk算法与word2vec类似，使用图中节点与节点的共现关系来学习节点的向量表示。在DeepWalk中通过使用随机游走(RandomWalk)的方式在图中进行节点采样来模拟语料库中的预料，进而使用word2vec的方式学习出节点的共现关系。

2.1. RandomWalk

RandomWalk是一种可重复访问已访问节点的深度优先遍历算法。给定当前访问起始节点，从其邻居中随机采样节点作为下一个访问节点，重复此过程，直到访问序列长度满足预设条件，其算法思想如下所示：

其代码大致如下：

def deep_worker(self):
    for _ in range(self.nums):
    	for node in self.G.nodes():
        	self.node_series.append(self.random_walker(node))
 
def random_walker(self, first_node):
	series = [first_node]
    for _ in range(1, self.walk_length):
		nodes_list = list(self.G.adj[first_node])
        first_node = random.choice(nodes_list)
        series.append(first_node)
    return series

2.2. word2vec

word2vec的基本原理不再在本文中详细给出，可以参阅其他的一些材料，Python下可以通过gensim里的Word2Vec实践：

from gensim.models import Word2Vec
w2v_model = Word2Vec(walks,sg=1,hs=1)

参考文献

• Perozzi B, Alrfou R, Skiena S. DeepWalk: online learning of social representations[J]. 2014:701-710.
• DeepWalk源码
• 《DeepWalk: Online Learning of Social Representations》笔记
• C实现的DeepWalk