关于‘graph embedding’中‘deepwalk’和‘node2vec‘的理解（简单版本）
本文适用于对‘deepwalk’和‘node2vec’最简单的理解，复杂的算法运算本文没有提及，本文主要帮助刚上手的朋友们能更好的看懂讲算法的文章而创作，作者把讲其中算法的视频放在了文章底部（我认为讲得很清晰），供读者参考！！
（一）：为什么要做‘graph ebedding’
（1）：如果用‘one-hot’等进行编码时，如果节点数量比较多，编码的向量长度会比较大，而运用’graph embeddng‘的形式的话，会简化节点的向量长度。
（2）：运用‘graph embedding’保留了节点在图上的信息，而传统的编码没有这种效果。
（二）：‘deepwalk’和‘node2vec’的简单介绍：
(1) ：deepwalk
首先要说明的是deepwalk是由两方面构成：
一：随机游走（random walk）
二：Word2vec
deepwalk是这两种算法的结合的图数据结构挖掘算法，能够将图中的节点表示为一个包含潜在信息的向量.如图：
上图指的是输入图信号
上图为输出的图嵌入
deepwalk流程：
一：随机游走：
如图所示：
我们选定一个节点（如图中的‘root’点），对该节点进行多次的随机游走（这是一个什么概念呢？就是比如root点到w1点后，与w1点相连的除root点外还有两个点，deepwalk会随机选择一个点进行游历，以此类推），如图中绿色路线就是一条随机游走的节点序列。
二：word2vec：
如图所示：
我们在随机游走中得到了一个序列，然后可以通过word2vec的方式进行节点训练，选择一个节点（如图中的v4节点），来计算周围v2，v3，v5，v6（计算周围几个的概率是有一个参数设置叫window_size的参数，此处设置的值为2，如果设为1的话，则是计算v3，v5的概率）同时出现的概率，每一个节点都要进过这样的过程，这样就可以获得每个节点embedding的表示。
ps：上述的deepwalk的流程只是其中的一次循环，真正的过程是这样的：先是在随机游走中选一个节点（随机游走图中的每个节点都需要被选中，比如w1,w2节点也需要作为‘root’节点）跑n次，每次得到的节点序列都要经历word2vec进行编译。（简单来说就是进行了一个双重循环）
（2）：node2vec
首先我们介绍几个概念：:
1：BFS：广度优先搜索
2：DFS：深度优先搜索
简单来说BFS是先探索周围，而DFS则是朝着远离初设节点方向探索，举个简单的例子，就比如一个人住在上海，他出去玩优先探索的是上海周边（BFS），如果他出去玩是优先选择去北京，广州远离上海的方向探索这种就是DFS。
如图：
如果说deepwalk是一种随机游走的话，node2vec则是有策略的随机游走，如下图：
当t节点游走到v节点之后，之后v节点游走到下个节点就有点不再是随机的，到每个节点是有一定概率的，而这种概率在图中左下角的'π_vx'表示：
w_vx表示v节点到下一个x节点的边权重，α_pq(t,x)则表示节点t（root节点）到x节点的距离（如t到x1距离为1，则α_pq=1）的值，而p，q是自己设置的参数，p，q的大小会影响到你的算法是DFS还是BFS，下面会具体阐述。而图中的右下角为v到各个节点的概率。
如果q的值小则会偏向于探索能力强，探索深（v节点会倾向于往x2，x3处走），而刚好符合DFS探索深度的概念。
如果p值小则会优先进行周围的探索（v节点会倾向于往x1处走），符合BFS的概念。
（三）：参考资料：
一：deepwalk和node2vec的算法视频：