传统的embedding模型处理的都是序列化的数据，而在很多场景，比如电商中，人、物、场之间往往是复杂的图结构，那么这时候如何来进行合理的embedding以表示它们之间的相关度呢，这就是Graph Embedding做的事情。
Deep Walk
deepwalk采用的是随机游走的方法，从图中生成序列，然后利用word2vec的方法来生成embedding，是早期比较简单的一种生成embedding的方法。
随机游走的概率由节点之间边的权重来获取：
Node2vec
Node2vec在deepwalk随机游走的基础上进行了改进，通过改变游走的权重使得embedding的结果能更好地反映出节点间的同质性（homophily）和结构相似性（structural equivalence）。
同质性指的是在网络中相互连接、属于相似网络、距离较近的这些节点，应该有相近的embedding表示（比如图中的s1和u节点，它们都同在一个子网络中），而结构相似性则代表着在网络中有相似功能的节点应该有相近的embedding表示（比如图中的u和s6节点，它们都是各自网络的中心）
为了使embedding能够更好的表达网络的同质性，我们再游走的时候需要使其更偏向于深度优先搜索，而为了能表达结构相似性，则需要让游走更偏向于宽度优先搜索。为什么是这样呢，可以参考 关于Node2vec算法中Graph Embedding同质性和结构性的进一步探讨
Node2vec通过两个参数\(p\)和\(q\)来控制游走时是偏向BFS还是DFS
如上图所示，假设目前我们刚刚从t游走到v，那么下一步的概率由\(\pi_{vx}=\alpha(t,x)*\omega_{vx}\)决定，其中\(\omega_{vx}\)为边\(vx\)的权重，而\(\alpha(t,x)\)定义为：
其中，\(d_{tx}\)表示t到x的距离，p和q控制着游走的概率，p越小，返回t的概率越大，那么游走更倾向于在局部进行，也就是BFS；而q越小，则游走到远方的概率越大，也就是DFS
