DeepWalk
目标：Node embeddings 学习到节点与邻居的关系。得到节点表示，用于下游任务
Word2Vec 应用到 图嵌入领域
节点——>单词
节点序列——>句子
游走方式：Random Walk
本质：可以回头的DFS
整体架构：
问题：图是一个复杂的结构，需要考虑更多因素。
Node2Vec
对DeepWalk的改进结合BFS与DFS模式。
改进：bias random walk
p:控制随机游走以多大的概率back
q：控制随机游走偏向DFS还是BFS
metapath2vec及其变种
异构图如何随机游走？
不考虑节点类型的异构随机游走，缺点:
1.偏向于出现频率高的节点类型;
2.偏向于相对集中的节点(即度数高的节点)
回顾异构图定义：
meta path（元路径）：在图中选取的由节点类型构成的组合路径
基于meta path的随机游走
随机游走的时候考虑到节点类型
问题：负采样的时候，没有考虑节点类型
metapath++：负采样的时候，考虑节点类型
变种：multi-metapath2Vec++
利用多条元路径
side info + multi-metapath2vec++
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fTCFcrrf-1639659464701)(https://i.loli.net/2021/12/03/NW5AnrzQjVPDups.png)]
multi-metapath2vec++
[外链图片转存中…(img-fTCFcrrf-1639659464701)]
