本文目录导读：
图嵌入（Graph Embedding）是图机器学习中的一个核心概念，它是一种将图中的节点（或边、整张图）转换到一个低维、稠密的向量空间的技术。
为什么需要图嵌入？因为图是一种非欧几里得结构的数据（包含节点和连接），传统的机器学习算法（如逻辑回归、CNN）无法直接处理，通过嵌入，我们图的结构信息和属性信息转化为了数值向量，这样一来，就可以直接使用各种经典的机器学习算法（如分类、聚类、推荐）了。
以下是关于图嵌入表示的详细解读,分为几个关键层面：
核心目标：将“关系”转化为“距离”
一个好的图嵌入应该具备以下性质：
- 低维性： 向量维度远小于节点数量（通常是几十到几百维），方便计算，防止过拟合。
- 保留结构信息： 在图里“关系紧密”或“结构相似”的两个节点，在向量空间中也应该“距离很近”（例如余弦相似度高）。
- 保留属性信息： 如果节点带有特征（如用户年龄、商品价格），这些信息也应该被编码进向量中。
主要方法分类（迭代历程）
A. 基于矩阵分解的早期方法（浅层模型）
- 代表方法： Laplacian Eigenmaps（拉普拉斯特征映射）、Graph Factorization（图分解）。
- 原理： 将图的邻接矩阵（Adjacency Matrix）或拉普拉斯矩阵进行矩阵分解（如SVD，奇异值分解），得到的低维矩阵的行就是节点嵌入。
- 缺点： 计算复杂度高（分解大规模矩阵很难），难以捕获复杂的结构（如多跳邻居关系）。
B. 基于随机游走的无监督方法
- 代表方法： DeepWalk、Node2Vec。
- 原理： 借鉴了NLP中词向量（Word2Vec）的思想。
- 生成语料： 在图上进行随机游走，生成一系列节点序列（类似句子）。
- 训练模型： 将生成的节点序列作为“句子”喂给Word2Vec（Skip-Gram模型），最大化“在窗口中共同出现的节点”的共现概率。
- 结果： 训练结束后，模型的隐藏层权重就是节点嵌入向量。
- 关键改进（Node2Vec）： 引入了广度优先搜索（BFS）和深度优先搜索（DFS）的游走策略平衡参数p和q，通过调整p和q，可以控制嵌入更侧重于“同质性”（DFS，社区结构）还是“结构等价性”（BFS，角色相似性，如两个不同社区的“枢纽节点”）。
C. 基于图神经网络的深度学习方法（目前主流）
-
代表方法： GCN（图卷积网络）、GAT（图注意力网络）、GraphSAGE。
-
原理： 这些方法不再是对整个图做一次性的分解或游走，而是设计了一个可学习的、多层的神经网络。
- 消息传递（Message Passing）： 每一层，节点会聚合其邻居节点的特征和嵌入，然后更新自己的嵌入。
- 非线性变换： 通过激活函数（如ReLU）和权重矩阵学习到复杂的非线性特征。
- 归纳学习： 这是最大的优势，GNN可以训练出一个函数，当我们看到一个未见过的图（比如新的分子结构）时，可以直接应用这个函数生成它的嵌入，而不需要重新对整个图训练，之前的DeepWalk等方法是直推式（Transductive）的，无法处理新节点。
- GCN： 平均邻居特征，权重共享。
- GAT： 给不同的邻居学习不同的注意力权重，更灵活。
- GraphSAGE： 通过采样邻居来训练，适合极大规模图。
应用场景
- 节点分类： 预测图中节点的标签（如社交网络中的用户兴趣、论文图中的研究领域）。
- 链接预测： 预测两个节点之间是否存在边（如推荐好友、知识图谱补全）。
- 社区发现： 在嵌入空间中对节点进行聚类，发现隐藏的社区结构。
- 图分类： 整个图被嵌入为一个向量，用于分子性质预测（化学）、程序分类（代码分析）。
关键概念辨析：图嵌入 vs. 节点嵌入
- 节点嵌入（Node Embedding）： 最常用，将每个节点映射为一个向量（如用户1 -> [0.2, 0.8, ...]）。
- 边嵌入（Edge Embedding）： 将边映射为向量，通常通过连接（拼接、求平均、哈达玛积）两个端点节点的嵌入得到。
- 整个图嵌入（Graph Embedding）： 将整张图映射为一个向量，对于小图常用全局池化（如所有节点向量取平均）；对于大图用“可学习的读出头（Readout Head）”或基于GNN的层次化方法。
挑战与局限
- 可扩展性： 对于拥有数十亿节点和边的超大规模图（如电商全量用户图），如何高效地学习嵌入是一个难题，现在的热点是大规模分布式GNN和图采样技术。
- 异构图（Heterogeneous Graph）嵌入： 如果图中有多种类型的节点（用户、商品、店铺）和边（购买、浏览、关注），需要设计专门的模型（如HAN、Metapath2vec）来处理类型的不同。
- 动态图（Dynamic Graph）嵌入： 现实世界中的图是不断变化的（新用户加入，新链接产生），如何增量地更新嵌入，而不是每次重新训练所有节点，是目前的研究热点。
- 可解释性： 为什么这两个节点被映射到相邻的空间？很难解释，GNN可以一定程度通过注意力权重或GNNExplainer来提供解释。
| 方法类别 | 代表算法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 矩阵分解 | SVD, LE | 理论基础扎实 | 可扩展性差，无法捕获多跳信息 | 小图，稀疏图 |
| 随机游走 | DeepWalk, Node2Vec | 能捕获全局结构，可扩展性好 | 直推式，无法泛化到新节点 | 静态图，节点分类 |
| 图神经网络 | GCN, GAT, GraphSAGE | 归纳式，端到端训练，结合节点特征 | 计算资源需求高，需要标签数据（半监督或无监督也可） | 动态图，大规模图，链路预测 |
一句话总结： 图嵌入就是把复杂的“图结构”变成计算机能直接用的“数值向量”，GNN是目前最强大的图嵌入工具，能够同时学习图的结构信息和节点自身特征，并泛化到新的数据上。
