Python 图嵌入小例子：使用随机游走算法

以下是一个基本的图嵌入小例子，使用随机游走算法和 Python 实现：

import networkx as nx
import numpy as np

# 构建图
G = nx.karate_club_graph()

# 随机游走参数
num_walks = 10
walk_length = 80
p = 1
q = 1

# 初始化嵌入向量
embedding_size = 4
node_vectors = np.random.rand(len(G.nodes()), embedding_size)

# 随机游走算法
for i in range(num_walks):
    for node in G.nodes():
        walk = [node]
        while len(walk) < walk_length:
            current_node = walk[-1]
            neighbors = list(G.neighbors(current_node))
            if len(neighbors) == 0:
                break
            next_node = np.random.choice(neighbors)
            prev_node = walk[-2] if len(walk) >= 2 else None
            prob = 1 / p if prev_node is None else (1 / q if next_node == prev_node else 1)
            if np.random.uniform() < prob:
                walk.append(next_node)
        for j, node in enumerate(walk):
            node_vectors[node] += np.random.normal(size=embedding_size)

# 打印嵌入向量
for node, vector in zip(G.nodes(), node_vectors):
    print(node, vector)

这个例子中，我们首先使用networkx库构建一个 Karate Club 网络，然后使用随机游走算法生成嵌入向量。随机游走算法中，我们设置了随机游走次数为num_walks，每次游走的步长为walk_length，并设置了两个参数p和q，用于调整游走的偏好。最后，我们打印出每个节点的嵌入向量。

随机游走算法是一种经典的图嵌入方法，可以将图中的节点映射到低维向量空间中，以便进行机器学习等任务。在实践中，可以根据具体的任务需求来选择不同的嵌入方法和参数。