互联网中的图数据：
社交关系、知识图谱、行为关系图
基于图数据的 Graph Embedding 方法：
1基于随机游走的Graph Embedding 方法（注意：DeepWalk 的跳转概率就是跳转边的权重占所有相关出边权重之和的比例）：
2.同质性与结构性权衡的方法，Node2Vec:
同质性：距离相近节点，embedding相似，利用DFS，多次跳转到达远方，则同社区的节点相似度高
结构性：结构类似的节点，embedding相似，利用BFS，利用序列信息可获得其在结构中的位置
利用节点的跳转概率控制跳转的亲倾向性：
结构性和同质性获得embedding是从不同侧面对图特征的挖掘，可以同时输入模型当中。
Embedding如何应用到推荐系统中的 ？
1.embedding是一种处理特征的方式
2.1）直接应用：利用embedding的相似性进行推荐
2）预训练应用：将embedding作为特征的一部分，利用模型训练
3）End2End应用：
重点总结：
你能尝试对比一下 Embedding 预训练和 Embedding End2End 训练这两种应用方法，说出它们之间的优缺点吗？
Embedding预训练：优点：快（独立训练），难以收敛（分开训练，对效果没有提升）
原文：https://www.cnblogs.com/marklong/p/14223157.html