deepwalk调用

DeepWalk算法是一种经典的图嵌入算法，它采用了word2vec的思想。在DeepWalk中，通过将一组组随机截断游走所生成的顶点序列当做句子，然后使用word2vec进行训练，从而学习节点的向量表示。\[2\]

在调用DeepWalk算法时，可以使用Node2Vec库来实现。在Node2Vec中，可以将参数p和q同时设置为1，这样Node2Vec就会退化成DeepWalk算法。具体的调用代码如下所示：

model = Node2Vec(edge_index=data.edge_index, embedding_dim=128, walk_length=5, context_size=4, walks_per_node=1, p=1, q=1, sparse=True).to(device)

其中，`edge_index`表示图的边索引，`embedding_dim`表示节点的嵌入维度，`walk_length`表示序列游走的长度，`context_size`表示上下文大小，`walks_per_node`表示每个节点游走的序列数，`p`和`q`分别表示Node2Vec算法中的两个概率参数，`sparse`表示权重是否设置为稀疏矩阵。\[1\]

总的来说，DeepWalk算法是一种基于随机截断游走和word2vec的图嵌入算法，可以用于学习节点的向量表示。它在社交网络中的节点表示任务中具有很好的适用性，特别适用于标签稀疏的情况。\[3\]
#### 引用[.reference_title]
- *1* [PyG基于DeepWalk实现节点分类及其可视化](https://blog.csdn.net/m0_47256162/article/details/128841614)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* *3* [DeepWalk论文详解](https://blog.csdn.net/shencongge/article/details/123727422)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]