分别讲解一下DeepWalk和Node2vec，要求带有实例。

DeepWalk和Node2vec都是用于图嵌入的算法，能够将图中的节点映射到低维向量空间中，从而使得节点之间的相似度可以通过向量之间的距离来度量。它们的不同之处在于节点的采样策略不同。

DeepWalk使用随机游走的方法，将节点序列作为句子来看待，并使用Word2vec模型来学习节点的向量表示。具体来说，DeepWalk首先随机选择一个起始节点，然后从该节点开始执行随机游走，每次随机选择一个邻居节点进行移动，直到游走到预设的长度为止。将得到的节点序列作为句子输入到Word2vec模型中，进行词向量的学习。最终，每个节点都可以表示成一个向量。

Node2vec也是基于随机游走的方法，但是与DeepWalk不同的是，Node2vec使用了一个类似于BFS的策略，即在随机游走时，不仅考虑到邻居节点，还考虑到之前访问过的节点。具体来说，Node2vec有两个参数：p和q，p控制回退到前一个节点的概率，q控制跳到下一个节点的概率。这两个参数的不同取值可以让Node2vec在保留社区结构的同时，也能够探索图中其他部分。与DeepWalk类似，Node2vec也将节点序列作为句子输入到Word2vec模型中进行学习。

举个例子，如果我们有一个社交网络图，其中每个节点表示一个人，每个边表示两个人之间的关系。我们可以使用DeepWalk或Node2vec来学习每个人的向量表示，从而可以计算两个人之间的相似度。比如，我们可以使用这些向量来推荐好友，找到与自己兴趣相似的人等等。

相关问题

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。

item2vec deepwalk

Item2Vec和DeepWalk都是通过在图结构上进行随机游走（Random Walk）来生成物品的Embedding的方法。它们都使用物品序列作为训练样本输入到word2vec模型中进行训练，从而得到物品的Embedding。Item2Vec还可以通过商品的组合生成商品的Embedding，这些商品的组合也是序列式的，可以称之为“Sequence Embedding”。

你可以参考这篇文章来获取更多关于Item2Vec和DeepWalk的信息：https://mp.weixin.qq.com/s/2JuyVJos2RrqGKcVgZRZvA。