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

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

从Ng那里跑路来学NLP了，之前其实ML入门听的就是宝可梦捕获大师（×）的课，目前计划是，本博文作为上面链接所示课程的笔记记录。听完之后会找个项目练一练，然后去听一些更新的技术的介绍，再找个项目练一练。

展示页面https://ai.sogou.com/文档https://ai.sogou.com/doc/?url=/docs/content/tts在网上没找到类似的文件，搜狗的文档写的又很狗（反正非常不初学者友好），因此在此记录。第一步：注册第二步，进入控制台（点击控制台或者注册后用户名部分均可）ps用户名部分就是被我涂的花花绿绿的部分第三步，创建新应用填写完成后，会弹出一个弹...