deepwalk 1.0.3

用法

示例用法

$deepwalk --input example_graphs/karate.adjlist --output karate.embeddings

–输入：输入文件名

1. ^{tt2}$ for an adjacency list, e.g:

   1 2 3 4 5 6 7 8 9 11 12 13 14 18 20 22 32
   2 1 3 4 8 14 18 20 22 31
   3 1 2 4 8 9 10 14 28 29 33
   ...
   

2. ^{tt3}$ for an edge list, e.g:

   1 2
   1 3
   1 4
   ...
   

3. ^{tt4}$ for a Matlab .mat file containing an adjacency matrix

   (note, you must also specify the variable name of the adjacency matrix ^{tt5}$)

–输出：output_filename

The output representations in skipgram format - first line is header, all other lines are node-id and d dimensional representation:

34 64
1 0.016579 -0.033659 0.342167 -0.046998 ...
2 -0.007003 0.265891 -0.351422 0.043923 ...
...

full命令列表

命令行选项的完整列表可用于$deepwalk --help

评估

在这里，我们将展示如何在deepwalk paper中使用的blogcatalog数据集上评估deepwalk。 首先，我们运行以下命令以生成其deepwalk嵌入：

deepwalk --format mat --input example_graphs/blogcatalog.mat
--max-memory-data-size 0 --number-walks 80 --representation-size 128 --walk-length 40 --window-size 10
--workers 1 --output example_graphs/blogcatalog.embeddings

此处指定的参数与论文中的参数相同。 如果您使用的是多核机器，请尝试将--workers设置为更大的数字，以便更快地进行训练。 在具有24个xeon e5-2620@2.00ghz CPU的单机上，此命令大约需要20分钟才能完成（--workers设置为20）。 然后，我们使用example_graphs/scoring.py：

python example_graphs/scoring.py --emb example_graphs/blogcatalog.embeddings
--network example_graphs/blogcatalog.mat
--num-shuffle 10 --all

此命令在同一台计算机上8分钟后完成。为了更快地计算，您可以将--num-shuffle设置为较小的数字，但期望性能有更大的波动。不同标记节点比例得到的微观f1和宏观f1得分如下：

请注意，当前版本的deepwalk基于较新版本的gensim，它可能具有word2vec模型的不同实现。要完全复制本文中的结果，您可能需要安装较旧版本的gensim（版本0.10.2）。

要求

• 努比
• scipy

（可能必须独立安装）

安装

1. CD deepwalk
2. pip install-r requirements.txt
3. python setup.py安装

引用

如果您发现deepwalk对您的研究有用，我们请您引用以下论文：

@inproceedings{Perozzi:2014:DOL:2623330.2623732,
 author = {Perozzi, Bryan and Al-Rfou, Rami and Skiena, Steven},
 title = {DeepWalk: Online Learning of Social Representations},
 booktitle = {Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining},
 series = {KDD '14},
 year = {2014},
 isbn = {978-1-4503-2956-9},
 location = {New York, New York, USA},
 pages = {701--710},
 numpages = {10},
 url = {http://doi.acm.org/10.1145/2623330.2623732},
 doi = {10.1145/2623330.2623732},
 acmid = {2623732},
 publisher = {ACM},
 address = {New York, NY, USA},
 keywords = {deep learning, latent representations, learning with partial labels, network classification, online learning, social networks},
}

其他

Deepwalk-在线学习社会表现。

• 免费软件：gplv3许可证
• 文档：http://deepwalk.readthedocs.org。

历史记录

1.0.3（2018-03-23）

• 现在与最新版本的Gensim和Sklearn兼容
• 更好地支持Python3

1.0.2（2014-09-19）

• 固定gensim为0.10.2

1.0.1（2014-09-19）

• 添加实用程序以支持为较大图形生成的嵌入
• 支持其他输入文件格式

1.0.0（2014-08-24）

• pypi上的第一个版本。