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。