《表4 u1与图5(a）中加粗线段范围内节点间的转移概率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《主题关注网络的表示学习》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从图4中可以看出，三种情况下欧氏距离变化趋势基本一致。由于转移概率模型定义时考虑的范围不同，使得Karate网络中整体节点间向量表示的欧氏距离减小了，有些节点间向量表示的距离的波动情况相比DeepWalk算法产生了偏差。为了分析产生偏差的原因，以一阶邻居较多的u1、u34节点和容易出现分歧的u3、u10节点为例，将图中部分区域放大，如图5所示。vnext的选取通过带权重（即转移概率）的非均匀采样实现，节点间转移概率越接近，得到节点的向量表示越相似，节点间向量表示的距离越小，图中折线的波动情况反映了此现象。图5中用加粗线标记波动比较明显的情况，以图5(a）中加粗线标记为例详细分析原因。TANE算法中，u1到标记范围内节点的转移概率如表4所示，从表中可以看出，P(u1∣u10）最小，其他情况的转移概率相差不大，从而dist(u1，u10）最大，即u10与x轴间的垂直距离最大，所以，虚线标记的折线段除u10处波动明显外其余节点相对平稳；而DeepWalk算法中，转移概率模型定义仅考虑了一阶邻居，无法根据转移概率对间接连接关系进行详细分析。综上分析，TANE算法符合网络表示学习的核心思想。