把随机游走的路径作为序列，使用SkipGraml学习节点的表示向量。无监督的、可拓展的、高效的。
Skip Gram 本质上就是一个简单的Softmax回归网络，每个节点的表示矩阵就是输入层到隐层的权重矩阵。详细解说见下帖：
An Intuitive Explanation of DeepWalk
Word2Vec Tutorial - The Skip-Gram Model · Chris McCormick
input: one-hot wordvect $\in R^{|V|}$,
Linear transformation: $W \in R^{|V|*D}$ Hidden Layer: node represnetation $\in R^{D}$
Layer transformation: $W' \in R^{D*|V|}$
Output: vector of Probablity of next word $P \in R^{|V|}$
World2Vec:skip-gram model
使用了特殊的动态有偏随机游走策略+skip-gram
从一个节点出发，从邻居节点集合中选取下一步的概率相等则称无偏（转移概率同边权无关），不想等则称有偏（转移概率同边权相关）；
在整个randomwalk的过程中，转移概率不受转移状态的影响，则称为静态，否则称动态 。