请详细介绍deepwalk、node2vec、SDNE、stru2vec、VGAE图神经网络方法

1. DeepWalk

DeepWalk是一种基于随机游走的图嵌入算法，它将图中的节点映射到低维向量空间中。该算法通过在图上进行随机游走，来生成节点的序列。然后，利用这些节点序列和Word2Vec算法构建节点的嵌入表示。DeepWalk算法的优点是能够处理大规模的图，并且能够保留节点之间的局部结构信息。

2. Node2Vec

Node2Vec算法是DeepWalk算法的进一步改进。它通过控制随机游走的参数，来生成不同类型的节点序列。具体来说，Node2Vec算法根据两个参数p和q来控制随机游走的行为：当p > q时，随机游走会更倾向于探索与当前节点相似的节点；当p < q时，随机游走会更倾向于探索与当前节点不同的节点。通过这种方式，Node2Vec算法能够更好地捕捉节点之间的相似度和差异度信息。

3. SDNE

SDNE算法是一种基于深度学习的图嵌入算法，它利用自编码器来学习节点的嵌入表示。该算法通过对图进行编码和解码，来保留节点之间的结构信息。具体来说，SDNE算法使用两个神经网络：编码器和解码器。编码器将节点映射到低维空间中，解码器则将低维向量映射回原始空间。通过最小化重构误差，SDNE算法能够学习到节点的嵌入表示。

4. Struc2Vec

Struc2Vec算法是一种基于随机游走的图嵌入算法，它通过探索不同的邻居节点来生成节点序列。具体来说，Struc2Vec算法使用一个多层次的随机游走策略，来生成节点序列。通过这种方式，Struc2Vec算法能够更好地捕捉节点之间的结构信息。

5. VGAE

VGAE算法是一种基于图卷积神经网络的图嵌入算法，它利用自编码器来学习节点的嵌入表示。VGAE算法使用两个神经网络：编码器和解码器。编码器使用图卷积神经网络来学习节点的嵌入表示，解码器则将节点的嵌入表示映射回原始空间。通过最小化重构误差，VGAE算法能够学习到节点的嵌入表示，并能够保留节点之间的结构信息。此外，VGAE算法还能够利用节点之间的关系信息来进行节点分类和预测。