DeepWalk 与 node2vec 将图上的随机游走转成节点序列，再用序列中的邻近关系学习节点向量。 它们沿用词表示的思路，但图没有现成的句子：如何生成“上下文”，本身就是方法设计的一部分。(Grover & Leskovec, 2016; Perozzi et al., 2014)
图怎样变成训练材料
设教学图有节点 ，一次游走生成序列 A → B → C → D。把 当作中心，窗口左右各取一步，就得到 — 和 — 两个正节点对。
重复从不同节点出发游走，可以得到大量训练序列。随后为节点学习向量，使同一采样策略下的上下文关系得到较好的拟合。节点不必是词，也可以是道路交叉口、论文或其他实体；但“边代表什么”必须先定义。
游走表示的关系来自图结构和采样过程；解释节点向量时，要结合图的边所代表的关系及游走设置。
DeepWalk：先用无偏游走生成序列
DeepWalk 的基本流程是从节点出发，在邻接关系上游走，把短序列送入 Skip-Gram 训练。原文采用层次 Softmax来降低输出计算成本，而不是把负采样当作唯一实现。(Perozzi et al., 2014)
因此，Skip-Gram、SGNS 和 DeepWalk 不是可互换的名称：Skip-Gram 描述中心与上下文的学习结构，SGNS 指其中使用负采样的目标组合，DeepWalk 还规定了图序列如何生成。现代实现若换用负采样，应明确说明配置。
node2vec：让下一步依赖上一步
node2vec 引入有偏的二阶游走。已从节点 走到 ，准备从 的邻居中选择下一节点 。转移权重由边权 与偏置 相乘，再归一化。以下写出无向图的标准情形。(Grover & Leskovec, 2016)
是图上的最短跳数距离，不是地图上的米数。 控制立即返回上一节点的相对权重； 调整向远离上一节点方向扩展的相对权重。二者都必须大于零。
一个可手算的转移例子
取无向、无权教学图，边为 t—v、v—a、t—a、v—b。当前刚走完 t → v，下一步候选是 。令 、。
| 下一节点 | 与上一节点 的距离 | 未归一化权重 | 转移概率 |
|---|---|---|---|
| 0，立即返回 | |||
| 1，与 相连 | 1 | ||
| 2，经 才能到达 |
权重之和为 3.5。这个设置降低立即返回的机会，提高走向 的机会；改变的是相对采样概率，不是强制选择某条路线。
在上述标准设置中， 会消除这项转移偏置，回到无偏游走采样。它不表示两套方法的全部窗口、输出目标与训练参数都相同。node2vec 原文采用负采样，并在比较中统一部分基线的训练目标；这不能倒推 DeepWalk 原文也使用 SGNS。(Grover & Leskovec, 2016)
城市网络和活动序列怎样借用这个思路
可以先定义道路、交通或设施联系图，再用游走生成上下文。也可以把真实观测到的地点访问序列转成窗口词对；后者使用的是观测行为，不是模拟图游走，不能默认两种序列有相同的统计含义。
这提供了将 SGNS 思路迁移到非文本对象的入口，不是本文已经完成的城市实验。至少需要检查三件事。
- 关系定义：相邻表示道路连通、地理邻近，还是实际流量？窗口对应几步关系？
- 数据质量：地点切换是否来自真实移动？轨迹乒乓效应可能制造虚假的反复邻接。
- 评价与迁移：下游测试应有独立划分；按节点编号学习的向量表不会自动给新节点生成可靠表示，加入节点通常需要额外更新或归纳式编码器。
节点向量的余弦相似，不自动等于相同土地用途、空间因果关系或通行距离。用图时应报告图的构造、游走长度与次数、窗口、、训练目标和评价设置。
返回 词向量与表示学习专题，或继续读 图学习与城市计算、图的基本概念。