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