一、同构图游走类算法
目标：学习出图中节点的一维表示：Node embedding（学习到节点与邻居的关系）-->下游任务
怎么得到Node embedding？
节点--> 单词 节点序列-->句子
1.1 Word2vec
思想：词的语义由词的上下文来决定。
Skip Gram：根据中心词与预测上下文（主要是中间的产物：参数w）
最后一层输出采用的优化的方法（因为计算 标准表中所有单词的概率的softmax计算量特别大）：负采样（Negative Sampling）
1.2 Word2Vec图嵌入领域：Deepwalk
注：论文中用层次softmax代替了负采样
将NLP领域的思想运用到图嵌入领域。
游走方式：Random Walk （可以回头的DFS）
归一化后的转移概率分布，Z已归一化
1.3 node2vec：deepwalk的改进
三个前提：
bias random walk：
p：控制随机游走以多大的概率
q：控制随机游走偏向DFS还是BFS
q较大时（q>1），倾向与BFS
q较小时（q<1），倾向与DFS
当p=q=1时，看权值
二、异构图随机游走
2.1 metapath2vec
元路径（有实际意义的）-->最好是对称的：在图中选取的由节点类型构成的组合路径，例如：
对称的时候，游走长度更长
如何选出meta路径？人工or机器
随机游走时考虑了节点类型，但负采样的时候，没有考虑节点类型。-->不利于模型训练
2.2 matepath2vec++
在负采样的同时，考虑节点类型
2.3 Multi-metapath2vec++
2.4 side info+multi-metapath2vec++
