在IT领域，图嵌入（Graph Embedding）是一种将图中的节点转化为低维向量表示的技术，这在处理复杂网络结构的问题中具有广泛的应用。Cora数据集是学术界常用的图数据集，常用于节点分类任务，而DeepWalk与Word2Vec则是实现图嵌入的两种重要方法。 Cora数据集是一个引文网络，包含2708篇计算机科学领域的论文，这些论文被分为七个类别。每篇论文可以通过引用关系与其他论文相连，形成一个复杂的图结构。节点代表论文，边表示引用关系。对Cora数据集进行分类任务，旨在预测一篇论文的类别，这有助于理解论文的主题和领域，对于推荐系统和学术搜索引擎优化具有重要意义。 DeepWalk是受Word2Vec启发的一种图嵌入方法，由Perozzi等人在2014年提出。Word2Vec是一种用于自然语言处理的工具，它通过上下文窗口来学习词向量，捕获词汇之间的语义关系。DeepWalk同样采用了随机游走的思想，但应用在图结构上。它通过短随机路径采样生成节点序列，然后使用 Skip-gram 模型学习节点的向量表示。这些向量保留了图中的结构信息，可以用于后续的分类、聚类等任务。 源代码通常包含了实现DeepWalk的具体步骤，可能包括以下部分： 1. 数据预处理：读取图数据，如Cora数据集，构建邻接矩阵或边列表。 2. 随机游走：根据图结构生成一系列的节点序列。 3. Skip-gram模型训练：使用Word2Vec的训练方法，更新每个节点的向量表示。 4. 图嵌入：得到的节点向量可作为图的嵌入结果。 5. 应用：将嵌入结果用于分类任务，如利用机器学习模型（如SVM、随机森林等）进行训练和预测。 "NetworkEmbedding-master"可能是包含其他图嵌入算法的项目库，除了DeepWalk，可能还包括其他如Node2Vec、LINE等方法。这些算法各有特点，比如Node2Vec通过调整两个参数（p和q）控制随机游走的返回概率和深度优先搜索的概率，以探索不同的邻居结构。 小组演示PPT可能涵盖了这些技术的原理、实现过程、性能评估以及实际应用案例，帮助团队成员和听众更好地理解和掌握图嵌入技术。通过这样的分享，可以促进团队内部的知识交流和技能提升，对于解决实际问题有着积极的作用。 这个压缩包资源提供了学习和实践图嵌入技术，特别是DeepWalk和Word2Vec的机会，结合Cora数据集，可以深入理解图数据的处理和节点分类任务的执行过程。对于软件/插件开发者、数据科学家和机器学习工程师来说，这些都是宝贵的学习材料。

最近课程需要做论文Presentation，选了一篇2014年的，DeepWalk: Online Learning of Social Representations，有需要的可以下载

NRL实施 重新实现四种网络表示学习（NRL）算法：DeepWalk，LINE，node2vec，GraphGAN。 环境 NumPy TensorFlow Gensim 网络X 数据 路径./data/中有两个数据集： ：引文数据集。 ：以下网络。 训练 首先，找到项目的根路径： cd NRL-implement 对于DeepWalk： python DeepWalk/main.py 对于LINE： python LINE/main.py 对于node2vec： python node2vec/main.py 这三个实现使用cora作为数据集，结果保存在./results/cora/中。 使用逻辑回归作为分类器，以评估这三种实现产生的嵌入质量。 python LRclassifier.py --method DeepWalk DeepWalk可以用LIN

现有的链路预测方法的数据来源主要是基于邻居、路径和随机游走的方法，使用的是节点相似性假设或者最大似然估计，尚缺少基于神经网络的链路预测研究。基于神经网络的一些研究表明，基于神经网络的DeepWalk网络表示学习算法可以更加有效地挖掘到网络中的结构特征，已有研究证明DeepWalk等同于分解目标矩阵。因此，提出了一种基于矩阵分解的DeepWalk链路预测算法（LPMF）。该算法首先基于矩阵分解的DeepWalk算法分解得到网络的表示向量；然后通过余弦相似度计算每对节点之间的相似度，构建目标网络的相似度矩阵；最后利用相似度矩阵，在三个真实的引文网络中进行链路预测实验。实验结果表明，提出的链路预测算法性能优于现存的20余种链路预测算法。这充分表明了LPMF能够有效地挖掘网络中节点之间的结构关联性，而且在实际网络的链路预测中能够发挥出较为优异的性能。

在官方DeepWalk1.0.3的基础上，添加了DeepWalk1.0.2中的example_graphs/文件夹和DeepWalk论文中使用的数据集，并就兼容性问题，更改了部分代码。

用于deepwalk的python算法代码，很好用的，对于想要理解deepwalk的同学可以看看。

深度学习经典论文DeepWalk: Online Learning of Social Representations