图神经网络实战（4）——基于Node2Vec改进嵌入质量

0. 前言

Node2Vec 是一种基于 DeepWalk 的架构，DeepWalk 主要由随机游走和 Word2Vec 两个组件构成，Node2Vec 通过改进随机游走的生成方式改进嵌入质量。
在本节中，我们将学习这些改进以及如何为给定的图找到最佳参数，实现 Node2Vec 架构，并将其与在 Zachary's Karate Club 数据集上使用的 DeepWalk 进行比较，以理解两种架构之间的差异。

1. Node2Vec 架构

Node2Vec 由 Grover 和 Leskovec 于 2016 年提出，它保留了 DeepWalk 的两个主要组件：随机游走和 Word2Vec。不同之处在于， Node2Vec 中的随机游走不是使用均匀分布生成节点序列，而是进行了有偏处理。接下来，我们将了解为什么这些有偏随机游走表现更好，以及如何实现它们：

• 定义邻居
• 在随机游走中引入偏向性

1.2 定义邻居

Node2Vec 引入的关键概念是灵活的邻居概念。直观地说，我们认为邻居是与初始节点接近的节点，但