6、图嵌入：GNN与N2V的对比及应用

图嵌入：GNN与N2V的对比及应用

1. 用GNN创建嵌入

在图机器学习领域，使用图神经网络（GNN）创建嵌入为一系列基于图的机器学习应用奠定了基础，这些应用需要灵活性和可扩展性。

1.1 GNN与N2V的比较

• N2V的局限性 ：Node2Vec（N2V）是一种强大的生成嵌入的方法，它能捕捉图的局部和全局结构。但它本质上是一种直推式方法，在不重新训练的情况下，难以对未见过的节点或边进行泛化。虽然有一些扩展使N2V能在归纳式场景中工作，但GNN天生就是为归纳式学习设计的。
• GNN的优势 ：GNN可以从图数据中学习通用模式，无需重新训练整个模型，就能对新节点或边进行预测或生成嵌入。此外，GNN不仅像N2V一样整合图的结构信息，还利用节点特征创建更丰富的表示，使其在需要同时考虑这两种信息的任务中表现出色。不过，GNN并非在所有情况下都优于N2V，例如在标记数据稀缺或有噪声的场景中，N2V和其他基于随机游走的方法有时表现更好，因为它们仅依赖图结构，无需额外的节点特征。

1.2 构建嵌入

• GNN架构定义 ：我们定义了一个简单的图卷积网络（GCN）架构，代码如下：

class SimpleGNN_embeddings(torch.nn.Module):
    def __init__(self, num_features, hidden_channels):