DeepWalk
DeepWalk(2014’KDD)，一种用于学习网络中顶点的潜在表示方法.DeepWalk提出了新的、无监督的、独立于标签分布的（捕获结构信息时不考虑标签）、捕获图结构信息的算法。算法目标是学习图的结构特征$$\mathbf{X}{\mathrm{E}} \in \mathbf{R}^{|\mathbf{V}| \times \mathbf{d}}$$，其中d是节点的潜在表示（向量形式）的维数。图结构特征可以用于任何分类算法。将$$\mathbf{X}{\mathrm{E}} \in \mathbf{R}^{|\mathbf{V}| \times \mathbf{d}}$$与简单的机器学习算法集成，还可以用来实现很多其他问题。
图的表示：令G =(V,E)，其中V表示网络的节点，E是网络中的连接，E⊆ (V×V)。
GL=(V,E,X,Y)是部分标记的社交网络。X是各个节点的属性空间，X∈R|V|×S，其中S是每个节点的属性向量的特征空间的大小；Y∈R|V|×|Y|，Y是标签的集合。