图上的机器学习系列- 聊聊MetaPath2vec_metapath2vec比node2vec-优快云博客

本文链接：https://blog.youkuaiyun.com/a_step_further/article/details/105506884

本文介绍了MetaPath2vec，一种适用于异质图的图嵌入技术，它通过结合元路径的概念进行随机游走，然后使用SkipGram进行向量化表示，同时考虑了节点之间的语义关系。MetaPath2vec与DeepWalk和Node2Vec的主要区别在于处理异质图的策略，确保不同类型的节点能在相同的潜在空间中表示。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

本篇继续Graph Embedding这个话题。我们以前已经聊过DeepWalk、Node2Vec、LINE、GraphSAGE（详见公众号历史文章），它们都是面对的同质图问题，而今天将讨论的MetaPath2Vec则是要回答**如何对于异质图也能进行低维的空间向量表示**。

结合的论文为《metapath2vec: Scalable Representation Learning for Heterogeneous Networks》，作者提出了两个框架模型：metapath2vec、metapath2vec++。

---广告时间，欢迎关注本人公众号

算法原理消化

问题定义
以往我们提到图嵌入，目标会表述成将节点进行向量化表达，并且能保持了节点之间的相似性，即在图上距离较近的节点，在新的向量空间中，也具有较近的距离。但本文除了要保持这个网络结构的特征之外，还提到了semantic relations，这一点在类似DeepWalk的方法中是未曾见过的。

解题思路
当我们面临一个新的问题时，一种有效的思路往往是先思考一下有没有处理过相似的问题，然后将其中使用的方法进行迁移改造以适配新的问题。猜想本文的作者也是类似这样来思考的。我们回顾一下DeepWalk与Node2Vec，它们虽然采用了不同的方法来生成节点序列，但都是为了将数据预处理成Word2Vec可以使用的格式，然后再直接利用SkipGram解决问题，而SkipGram