今天我們要看另一種 embedding 方式- graph-embedding。

如果我們有很大量的影片資料，又有很多的使用者，這時要做推薦、分類等操作，會非常耗時耗資源。若我們可以把高維的稀疏數據，轉為低維密向量，然後再給深度學或機器捀習算法進行構建模型，在實務上才是可以執行的推薦系統 。

DeepWalk方法2014年是提出了比較經典的圖嵌入法。

思路

如果可以建出一張圖，我們設計一個小人可以在圖上隨機遊走，然後得到海量的節點序列，並把這些序列作為訓練樣本，輸入到模型裡進行訓練，可以得到 embedding 的向量結果。

這樣亂走方式，濃縮起來，就是精華。

Deepwalk算法的核心步驟分為4步：

1. 抽取使用者的行為序列
2. 將用使用者行為序列轉換成圖的表示方法
3. 使用 RandomWalk 對圖中節點採樣，得到可能可以走的所有路徑。
4. 使用Skip-Gram 學習出節點的Embedding表示。

核心演算法如下：

小結

1. 圖嵌入的方法是想把數據的表現形式進行轉化。把高维度稀疏圖數據轉為低維度的稠密向量，從而使得可以並行處理，
   1. 在大数据场景下非常实用身
2. 圖嵌入的技術可以看作特徵工程，在轉換後的數據可以直接用在機器學習 或神經網路上。
   1. 可用性和靈活性較好。
3. DeepWalk算法是基于随機遊走提出的
   1. 思路比轉簡單，但在實際問題中，可以使用它進行求解，十分方便。

參考資料

1. Perozzi B, Al-Rfou R, Skiena S. Deepwalk: Online learning of social representations[C]//Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, 2014: 701-710.