关于DeepWalk算法很好的讲解教程：https://zhuanlan.zhihu.com/p/45167021 OpenNe代码可以在github上找到
OpenNe源码解析之DeepWalk
Deepwalk算法伪代码
输入： 图G(V,E) 窗口大小w 嵌入向量维度d 每个节点游走次数γ 游走序列长度t 输出： 节点的向量表示矩阵φ 第一步： 初始化节点和向量之间的映射关系 第二步： 建立Hierarchical Softmax模型中的Huffman树。 第三步： 总共对这个图进行γ次游走 第四步： 每次游走都要将自己从生成的图顺序打乱，重新一次新的游走 第五，六步： 对于打乱后的每一个节点，以此为根节点，进行长度为t的游走。 第七步： 对于生成的每一段游走序列，使用skipgram算法来生成该节点的向量
在OpenNE中Deepwalk算法的实现过程中，将上述流程做了些调整，加入了随机游走的并行化处理，并将Huffman树的建立放在了获得所有的游走序列后，根据随机游走中的出现过的节点建立Huffman树并进行训练。
Deepwalk源码解读
1.在__main.py__第110行，初始化图对象
其在graph.py中的构造函数如下
第__main.py__113行，读取文件，将其装换为所要用的数据结构：图
在graph.py第38行，读取节点转化为图。第39.40行，将图所有边权值初始化为1
第23，24，25行：遍历所有节点，为每个节点从小到大编号，并存储。
2.在__main.py__ 第129行，调用deepwalk：
判断方法是否deepwalk，调用node2vec的算法。
参数如下：
graph：由输入的网络节点构成的图；
path_length：游走长度，默认80；
num_paths:游走次数，默认10次；
dim：向量维数，默认128；
workers：并发数，默认8；
windows：窗口大小，默认10。
dw：是否deepwalk算法。
3.在node2vec.py 第12行，判断是否Deepwalk，并将参数p，q=0。
node2vec.py第19行初始化deepwalk的类。
在walk.py中存在两个类，一个是deepwalk算法简单随机游走的类BasicWalker和node2vec算法中所要使用的带参数游走的类Walker。
4.构造类完成后，在node2vec.py第25行
调用deepwalk的真正核心算法
walk.py第36行调用deepwalk算法的主程序
第40.41行，初始化变量 第42行，将之前读取文件获取的图的节点，转化成列表存储。 第44行，对应图2中的第三步，进行10次游走。 第47行，每次游走前，先将节点（list）的顺序打乱，以进行10次不同的游走。对应图2第四步。 第48，49行，遍历每个节点，并以每个节点为起始节点进行长度为80的游走。并将游走序列进行存储。对应图2中的第五，六行。
5.具体的游走序列的生成算法如下：
在walk.py中的第17行，对每个节点调用deepwalk_walk算法，进行游走。 第21-23行，参数初始化 （其中look_up_dict中存储的是读入文件时，每个节点的从1-size的编号） 第25-33行代码的意思如下： walk刚开始是一个只有根节点的列表，判断walk中节点的个数是否超过设定的游走长度（80），若没有，则取最后一个节点，获取这个节点的邻居节点，若存在邻居节点，则随便选择一个存入walk列表中，知道walk中充满80个节点。
从而生成随机游走序列。
6.当完成10次游走后，游走函数开始返回游走结果，并进行处理。
此时已经获得节点数目游走次数（size10）条游走序列，并全部返回到了node2vec.py中25行的sentences变量中。
下面这一段代码就是准备word2vec算法的参数，然后运行算法。
由于先前的代码中也有一部分参数，这里就把运行deepwalk所用的kwargs参数整理下：
第11行： works代表线程数，但是并发数，此处使用的默认值8
第13行，hs为1代表hierarchical softmax模型，0为negative sampling模型
第27行，sentences代表要训练的语料，这里就是所有的游走序列。
第28行，min_count代表低频词丢弃，这里使用默认值0，即不丢弃任何低频词。
第29行，size代表向量维度，这里使用默认的180
第30行，sg代表为0，对应CBOW算法；sg=1则采用skip-gram算法。这里采用skip-gram
第34行，即进行hierarchical softmax下的skip-gram算法，进行训练
第36，37行，存储每个节点及其对应的向量
7.返回__main.py__，输出运行时间，调用存储函数
调用node2vec中的存储函数。
第43行，第一行存储节点总数目，以及向量维数
第44，45行，剩下每一行，写出当前节点id，与其每一向量分量
总结
OpenNe中的Deepwalk算法与图2中算法的区别在于，图2是每获得一个游走序列就进行学习算法，而OpenNe中，是等待获得所有的游走序列后，才进行学习算法。
