node2vec的实战讲解（不讲论文和公式），只写例子

https://zhuanlan.zhihu.com/p/323134817

代码

https://link.zhihu.com/?target=https%3A//github.com/aditya-grover/node2vec

https://github.com/cjziems/Node2Vec

关于Node2vec算法中Graph Embedding同质性和结构性的进一步探讨

https://mp.weixin.qq.com/s/AI-gMTPxqTcXR5qPduU9VQ

Node2vec是在DeepWalk的基础上更进一步，通过调整随机游走权重的方法使graph embedding的结果在网络的同质性（homophily）和结构对等性（structural equivalence，下面简称结构性）中进行权衡。

其中，网络的“同质性”指的是距离相近节点的embedding应该尽量近似，如图1中，节点u与其相连的节点s1、s2、s3、s4的embedding表达应该是接近的，这就是“同质性“的体现。

“结构性”指的是结构上相似的节点的embedding应该尽量接近，图1中节点u和节点s6都是各自局域网络的中心节点，结构上相似，其embedding的表达也应该近似，这是“结构性”的体现。

BFS更多抓住了网络的结构性，而DFS更能体现网络的同质性(只有深入了解，才能发现是不是同一类人)

对于同一个价格，顺路度订单来说，需要发现同质性

 

如图所示，当从节点t跳转到当前节点v后，下一步的跳转到节点x的概率为

其中α如图所示，参数p为返回参数（return parameter），p越小则随机游走返回节点t的可能性越大，算法更倾向于BFS。参数q为进出参数（in-out parameter），q越小则随机游走到远方的节点可能性越大，算法更倾向于DFS。

为了发现订单的同质性，让q等于一个比较小的值

这种灵活的游走方式使得node2vec可以更好的挖掘出图关系的特征表达，以推荐系统为例：

• 同质性相同的物品可能是同类目、同属性，或者经常被加到同一个购物车的商品；

• 结构性相同的物品可能是爆款、满减凑单，套餐折扣等具有相似结构特征的商品。

这两种信息都很重要，都可以是推荐的理由。因此，甚至可以通过不同参数的node2vec来召回不同的商品列表。

如果前面提及DeepWalk的时候你还有为什么明明有了序列数据还要用Graph Embedding这样的疑问，相信到这里也找到一些答案了。首先，在图上进行随机游走可以生成出原始数据里没有出现过的序列，丰富了embedding的训练数据。另外，像Node2vec提供的游走方式可以挖掘出结构相似等序列本身没有的信息。

Node2vec只是Graph Embedding的一个开始，主要针对同构的图。但现实中的图数据往往是异构的，不仅包含异构的节点（用户和商品），而且包含异构的边（点击、购买等多种行为），将这些异构的信息利用进来就能有更好的结果，一些基于异构网络的嵌入学习也被广泛研究（感兴趣的同学可以看看metapath2vec和GATNE）。对于我们的场景，也有需要挖掘客户（消费者或经销商）之间共性的。那么除了聚类、画像这些手段，是不是也可以通过node2vec或者其它的graph embedding技巧去得到用户甚至是SKU的embedding呢？