一、Graph Embedding
Graph Embedding是一种将图数据转化为低纬度的向量表示的方法,并且在这个过程中能够保持原始图结构的重要拓扑信息。
本文主要介绍Graph Embedding中的Node Embedding,即专注于将图中的节点表示为向量。Node Embedding,节点嵌入,旨在将图中的节点映射到一个低维度的连续向量空间中,以便在这一空间内,通过向量的几何关系反映出节点在原图中的拓扑结构和节点间的关系等属性。
二、Node2Vec
Node2Vec是一种基于随机游走的图嵌入方法,其灵感来源于自然语言处理中的Word2Vec模型。Node2Vec的核心思想是利用图中的随机游走序列来模拟“句子”,其中节点相当于“单词”。通过这种方式,Node2Vec能够学习到反映图结构特性的节点向量表示。具体来说,Node2Vec首先从图中的每个节点出发执行多次随机游走,生成大量的节点序列,这些序列在概念上类似于自然语言处理中的句子,其中的节点则相当于单词。随后,利用Skip-Gram模型,Node2Vec将这些“句子”作为输入,通过最大化节点序列中的共现概率来学习节点的向量表示。