圖嵌入 是什麼？
Graph Embedding：圖嵌入 的完整解釋
將圖中的節點或邊映射到低維向量空間的技術，保留原圖的結構信息和語義關係。
核心概念
圖嵌入的核心思想是將圖的拓撲結構和語義信息編碼為向量表示。與文本嵌入類似，圖嵌入也追求將高維的圖結構壓縮到低維空間中，使得語義相似的節點在向量空間中的距離更近，不同的節點距離更遠。
在知識圖譜和社交網絡分析中，圖嵌入尤其有用。例如，在知識圖譜中，一個節點可能代表一個實體（如公司或人物），邊代表關係（如「創辦人」或「工作地點」）。通過圖嵌入，系統可以學習到這些實體和關係的低維表示，進而支持如實體推薦、關係預測等應用。
圖嵌入的質量直接影響下游應用的效果。一個好的嵌入應該既能保留局部結構（同一社區的節點靠近），又能保留全局結構（反映整個圖的拓撲特徵）。
運作原理
圖嵌入的主要方法分為三類：
基於隨機遊走的方法（DeepWalk、Node2Vec）：通過模擬在圖上的隨機遊走軌跡，將其視為「句子」，然後用詞嵌入技術（如Word2Vec）學習節點表示。節點在隨機遊走中的共現頻率越高，它們的嵌入向量就越相似。
基於神經網絡的方法（GCN、GraphSAGE、GAT）：利用圖卷積網絡或圖注意力網絡直接在圖結構上進行聚合和學習。每個節點的嵌入由其自身特徵和鄰居節點特徵的加權組合決定，通過多層網絡進行信息傳播。
基於矩陣分解的方法：將圖的鄰接矩陣分解為低秩矩陣，分解後的矩陣因子就是節點的嵌入表示。
在實現中，圖嵌入通常需要解決以下問題：如何選擇嵌入維度（過低會丟失信息，過高計算成本高），如何處理動態變化的圖，如何應對超大規模圖的可擴展性挑戰。
實際應用
圖嵌入在多個領域有廣泛應用。在電子商務中，京東、阿里等企業用圖嵌入學習用戶-商品交互圖的表示，支持個性化推薦。在社交網絡分析中，LinkedIn、Facebook 等平台用圖嵌入進行社區檢測和好友推薦。在生物信息學中，研究者用圖嵌入表示蛋白質相互作用網絡，預測新的蛋白質功能。
在知識圖譜領域，Google、Amazon 等公司用圖嵌入進行實體鏈接、關係抽取，支持搜索和問答系統。在學術論文網絡中，圖嵌入可以識別相關研究工作，幫助學者發現引文和合作機會。
互聯網規模的應用中，Microsoft 的 Graph Engine、阿里的 AGraph 等平台都基於圖嵌入技術，支持數十億級別節點的表示學習。
常見誤區
一個常見誤區是認為圖嵌入等於節點分類。實際上，嵌入只是將圖表示為向量，後續的分類、聚類等任務需要基於這些向量的機器學習模型。好的嵌入是好的分類的必要但非充分條件。
另一個誤區是以為圖嵌入維度越高越好。過高的維度會導致過擬合，增加計算和存儲成本，反而降低泛化能力。實踐中通常選擇 64 到 512 維之間的維度，具體取決於圖的規模和應用需求。
有人認為預訓練的圖嵌入模型可以直接遷移到不同的圖。實際上，圖嵌入對圖的結構和統計特性高度敏感，不同領域的圖（社交網絡 vs 知識圖譜 vs 生物網絡）的特徵差異很大，通常需要重新訓練。
與相關技術的比較
圖嵌入 vs 圖卷積網絡：圖嵌入可以看作是圖表示學習的廣泛概念，包括各種方法。圖卷積網絡（GCN）是特定的神經網絡架構，屬於圖嵌入方法的一種。
圖嵌入 vs 知識圖譜嵌入：知識圖譜嵌入（如TransE、DistMult）主要針對三元組（頭實體、關係、尾實體）進行建模，著重保留關係信息。圖嵌入更廣泛，可應用於任何圖結構。
圖嵌入 vs 文本嵌入：二者都是將複雜結構映射到向量空間，但圖嵌入考慮的是結構化的拓撲信息，而文本嵌入考慮的是序列和語義信息。
圖嵌入 vs 傳統圖論方法：傳統圖論（如PageRank、社區檢測算法）通常關注圖的特定全局性質。圖嵌入提供的是通用的表示，可以支持多種下游應用。