知识表示与处理（2025-第14次课 图表示学习）.pdfVIP

NetworkedWorld

基本概念

图表示学习（GraphRepresentationLearning），又称图嵌入（GraphEmbedding）

，是指将图中的节点（顶点）、边或整个图映射到低维连续向量空间中的技术，使得向量

之间的几何关系（如距离、内积）能够反映原始图中的结构和语义关系。其目标是为下游

任务（如节点分类、链接预测、图分类、聚类等）提供高效、可计算的表示。

OriginofRepresentationLearning

Network

Embedding

GraphNeural

Networks

基于矩阵分解的方法

基本思想：利用图的全局结构信息，通过分解邻接矩阵或其变换形式得到节点嵌入。

•给定图，其邻接矩阵为，其中：

•表示节点i与j之间有边；

•表示无边（可扩展为带权图）。

•目标：寻找两个低秩矩阵通常d≪n），使得：

其中，Z的第i行即为节点i的嵌入向量。

典型方法

1.LaplacianEigenmaps（拉普拉斯特征映射）

保持局部邻域结构不变：在图中相近的节点，嵌入后也应相近。

2.GraphFactorization（GF）

直接将邻接矩阵分解为低秩近似。✅优点：理论清晰、可解释；

❌缺点：计算复杂度高（O(n3)），难以扩展到大图。

基于随机游走的方法

基本思想：通过在图上采样局部路径（walks），将图结构转化为“句子”，再用词

嵌入方法（如Word2Vec）学习嵌入。

•DeepWalk•[KDD2014]DeepWalk:OnlineLearningofSocialRepresentations

•在无权无向图上运行随机游走生成序列；

•用Skip-gram模型训练节点向量；

•假设：在游走中频繁共现的节点应嵌入相近。

基于随机游走的方法

B.Perozzi,R.Al-Rfou,andS.Skiena.2014.Deepwalk:Onlinelearningofsocialrepresentations.KDD,701–710.

基于随机游走的方法

基本思想：通过在图上采样局部路径（walks），将图结构转化为“句子”，再用词

嵌入方法（如Word2Vec）学习嵌入。

•node2vec•引入有偏随机游走（biasedrandomwalk）；

ü通过参数p（返回概率）、q（向外探索概率）

控制游走策略：

pq1：倾向于BFS（捕捉局部社区）；

pq1：倾向于DFS（捕捉全局结构）