我真的超能鸽????哈哈哈在各种方向上来回摇摆，最后还是老老实实找机器学习来听了（B站学习网站石锤了）https://www.bilibili.com/video/BV1JE411g7XF看评论还不错，就从这里开始吧！笔芯-----------------------------------------------------------------------------------------

题外话---------------------好像很久没有更新了，这学期事比较多，然后之前的几篇博客写的也不是很好的样子，会尽量在假期整理一下。写在前面------------------言归正传，这个学习笔记会长期更新，具体内容以及图片之类的来源主要依赖于同类型的博客以及正在听的B站上的公开课（地址如下：https://www.bilibili.com/video/av141111...

对于网络中的节点和边来做预测，首先需要做特征工程，把他们变成向量，有了这些向量之后才能输入到后续的机器学习算法当中，继续做下游的预测、分类任务。但是当时表示学习（ML）在图中的应用（如deepwalk、line）的表示能力不够高->无法反应出节点更丰富的特征和更丰富的连接属性。提出node2vec，一个更好的做node embedding的方法。node2vec是使用极大似然估计来实现训练。定义了

如上图，简单图G的顶点集合为V(G)，{u, v, w, z}，边的集合为E(G)，包含：uv, uw, vw, wz在任何简单图中，最多有一条边连接给定的一对顶点。简单图的很多结论可以推广到更general的图中（即使加上环和多重边）图：其中V表示顶点的集合，E是未排序的顶点对的集合，E中的元素即为边。相邻（adjacent）：假设u v是图的两个顶点，若有，则称u v是相邻的，即是图G中的一条

DeepWalk是干什么的：在一个网络中学习顶点的潜在表示。这些潜在表示编码了容易被统计学模型的在联系向量空间中的社会关系。DeepWalk怎么做到的：使用从截断的随机游走中获得的局部信息，通过将行走视为句子来学习潜在表征。统计学模型->指ML。

id- 每个sample对应的随机标识符seq_scored- (68 in Train and Public Test, 91 in Private Test)int，表示使用预测值进行评分时所使用的位置数。这应该与reactivity、deg_*和*_error_*列的长度相匹配。用于Private Test的分子将比Train和Public Test数据中的分子长，因此此向量的大小将不同。s

对于网络中的节点和边来做预测，首先需要做特征工程，把他们变成向量，有了这些向量之后才能输入到后续的机器学习算法当中，继续做下游的预测、分类任务。但是当时表示学习（ML）在图中的应用（如deepwalk、line）的表示能力不够高->无法反应出节点更丰富的特征和更丰富的连接属性。提出node2vec，一个更好的做node embedding的方法。node2vec是使用极大似然估计来实现训练。定义了

如上图，简单图G的顶点集合为V(G)，{u, v, w, z}，边的集合为E(G)，包含：uv, uw, vw, wz在任何简单图中，最多有一条边连接给定的一对顶点。简单图的很多结论可以推广到更general的图中（即使加上环和多重边）图：其中V表示顶点的集合，E是未排序的顶点对的集合，E中的元素即为边。相邻（adjacent）：假设u v是图的两个顶点，若有，则称u v是相邻的，即是图G中的一条

DeepWalk是干什么的：在一个网络中学习顶点的潜在表示。这些潜在表示编码了容易被统计学模型的在联系向量空间中的社会关系。DeepWalk怎么做到的：使用从截断的随机游走中获得的局部信息，通过将行走视为句子来学习潜在表征。统计学模型->指ML。

对于网络中的节点和边来做预测，首先需要做特征工程，把他们变成向量，有了这些向量之后才能输入到后续的机器学习算法当中，继续做下游的预测、分类任务。但是当时表示学习（ML）在图中的应用（如deepwalk、line）的表示能力不够高->无法反应出节点更丰富的特征和更丰富的连接属性。提出node2vec，一个更好的做node embedding的方法。node2vec是使用极大似然估计来实现训练。定义了