图神经网络学习笔记2.2-图游走算法(异构图)
deepwalk和node2vec针对同构图的游走，如果应用于异构图则会造成以下问题：
- 偏向于出现频率高的节点类型
- 偏向于相对集中的几点（即度数高的节点）
要了解异构图的游走，首先我们需要了解什么是异构图：
我们知道同构图G=(V,E)，而异构图G=(V,E,T)，T是节点V的类型
例如，学术网络：
在上图中，我们知道节点有四种不同的类型，而节点之间的边E也有三种不同的类型
在我们了解异构图之后，下面介绍metapath2vec
在metapath2vec算法中，提出了元路径（meta path）的概念
meta path：在图中选取的由节点类型构成的组合路径
例如：APA的含义为两个作者写了用一篇论文，又例如：APCPA，两个作者分别写的两篇论文在同一个会议发布
可见，元路径的选取都是有意义的，但是为什么要这么做呢？
因为我们会在选取出来的元路径上进行游走，如果选取出来的元路径没有什么意义，那么训练出来的模型的效果较差
基于meta path的随机游走：
对于选取节点A来说，每个节点有1/4的概率被选中，假设我们选取了节点A1，对于选取节点P，对应的有两个节点P1和P2，每个节点被选中的概率是1/2，我们选择P2，那么A节点则有A1、A3和A4三个选择
ps：只要首尾节点类型相同，就可以继续游走，元路径最好是对称的，这样可以方便我们对元路径做出扩展，不对称的元路径也是有意义的
停止游走的条件：
- 到达指定的最大游走程度
- 找不到符合要求节点类型的节点
metapath2vec的整体框架：
metapath2vec在随机游走的时候考虑了节点类型，但是在负采样的时候没有考虑节点类型：
可以看出负样本的节点类型和正样本不同，这样的负样本采集方式并不利于模型训练，我们应当采集同样的样本类型，因此提出了metapath2vec++算法，在负采样的时候，考虑节点类型
变种：multi-metapath2vec：利用元路径生成器，生成多条metapath
变种：side info + multi-metapath2vec：每个节点都有自己的特征表示，通过元路径生成器生成多条元路径，在实际训练过程中将特征融入矩阵中，让模型获得更多信息
图游走算法总结：
