图表示学学习

节点的映射

节点的映射在我看来就好像为什么我能够用函数来表达图像，将图像用函数的方式进行比好大，同时可以将三维的数据通过降维的形式降低整体数据的数量级，数据量级的变化从单一数据的n次方降低为2n的量级，整体数据量下降。

随机游走 表达我们向不同的方向的概率相同

有偏向的随机游走 有概率倾向的随机游走，向着某个方向的概率相对较高

编码器 （对于数据的特征处理

相似度表达 两个数据之间的路径相似程度）

深度游走就是步数相同

1. 随机游走： 首先，在图中执行随机游走，即从一个节点开始，按照一定的策略沿着图上的边随机地游走一定步数，形成一个随机游走序列。这个过程可以理解为在图中漫步，探索节点之间的连接关系。

2. Word2Vec 模型： 随后，对于每个随机游走序列，应用 Word2Vec 模型来学习节点的向量表示。Word2Vec 模型将节点序列视为单词序列，利用神经网络模型学习节点向量表示，使得在节点序列中共现频率较高的节点在向量空间中距离较近。

3. 节点表示学习： 最后，通过训练得到的 Word2Vec 模型，将每个节点映射到低维向量空间中，形成节点的表示。这些节点表示可以用于后续的图分析、节点分类、链接预测等任务。

对于一张生成的图像，游走的路径代表了在图像中的像素或者特征点的移动路径。这个路径记录了从起始位置开始，按照一定的规则在图像上移动的轨迹。

具体来说，游走的路径可以被解释为：

1. 特征点的移动轨迹： 如果图像中的节点代表特征点或者关键点，那么游走的路径可以被理解为在特征点之间移动的轨迹。这个路径可以用于捕捉图像中的结构信息或者关键特征。

2. 像素的扫描顺序： 如果图像被表示为像素的集合，那么游走的路径可以被解释为在像素之间的扫描顺序。这个路径可以用于遍历图像的像素，并捕捉图像的内容或者纹理信息。

3. 对象的移动路径： 如果图像中的节点代表对象或者物体，那么游走的路径可以被解释为对象在图像中的移动路径。这个路径可以用于模拟对象在图像中的运动或者行为。