以下是本例的简要目录结构及说明：
├── deepwalk_train
├── config_bigdata.yaml
├── static_model.py
├── multi_class
├── __init__.py
├── config.yaml
├── config_bigdata.yaml
├── static_model.py
├── macrof1.py
├── README.md #文档
├── net.py # 模型核心组网（动静统一）
├── randwalk_reader.py #数据读取程序
注：在阅读该示例前，建议您先了解以下内容： paddlerec入门教程
Deepwalk是一个用于图形表征学习的算法。它的目的是图嵌入，和词嵌入一样，图嵌入所做的工作就是将构成图的基本单位-节点-映射到一个向量空间中，使向量空间中的嵌入的每个节点与其在图中的相互关系基本一致。给定任何图，它可以学习节点的连续特征表示，然后可以用于各种下游机器学习任务。基于PGL，我们实现deepwalk算法，并在multi-label classification任务上达到了与论文相同的指标水平。
BlogCatalog数据集是一个社会关系网络，图是由博主及其社会关系（比如好友）组成，标签是博主的兴趣爱好。本数据集已内置在PGL中。
PaddlePaddle>=2.0
python 2.7/3.5/3.6/3.7
pgl>=2.0
注意：本模型需要安装pgl才能正常运行,安装方式：
pip install pgl
os : windows/linux/macos
本文提供了样例数据可以供您快速体验，在任意目录下均可执行。在deepwalk模型目录的快速执行命令如下：
# 进入模型目录
# cd models/recall/deepwalk # 在任意目录均可运行
# 下游机器学习任务
cd multi_class
# 静态图训练
python -u ../../../../tools/static_trainer.py -m config.yaml # 全量数据运行config_bigdata.yaml
# 静态图预测
python -u ../../../../tools/static_infer.py -m config.yaml
# 计算 MacroF1
python macrof1.pyBryan Perozzi在论文DeepWalk: Online Learning of Social Representations提出了Deepwalk并给出基本的结构。如下图是原文中对于自己算法的描述：
为了方便使用者能够快速的跑通每一个模型，我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。
我们基于开源情感倾向分类数据集ChnSentiCorp进行评测，模型在测试集上的准确率如表所示：
| 模型 | MacroF1 | batch_size | epoch_num | Time of each epoch |
|---|---|---|---|---|
| Deepwalk | 0.295 | 512 | 1 | 约2小时 |
- 确认您当前所在目录为models/recall/deepwalk
- 进入deepwalk_train训练图嵌入
cd deepwalk_train
python -u ../../../../tools/static_trainer.py -m config_bigdata.yaml
cd ..
- 进入multi_class,进行下游任务训练
cd multi_class
# 静态图训练
python -u ../../../../tools/static_trainer.py -m config_bigdata.yaml
python -u ../../../../tools/static_infer.py -m config_bigdata.yaml
# 计算 MacroF1
python macrof1.py