图表征对于知识图谱是很重要的，如何将图进行embedding，并输入到深度学习模型中，是一个热点问题。

1. GraphSage模型

主要应用于同构图中，是一种归纳式的图表征模型，首先从一个图中训练出embedding方法，在图更新频率高，出现未知的节点时，能够基于邻居节点快速对未知节点进行embedding，而不必对全图进行重新训练。
源码：pytorch版：https://gitcode.com/mirrors/twjiang/graphsage-pytorch/tree/master
tensorflow版：https://github.com/williamleif/GraphSAGE
模型原理：1）先随机采样1层或2层邻居节点，通常k=2；2）从采样的最外层（一般是第2层）向内聚合，可以采用mean、max、lstm等聚合函数将邻居节点进行聚合，再将聚合后的邻局embedding与下一层的节点进行拼接concat，再通过激活函数得到下一层节点的embedding；3）重复步骤2，直到得到目标节点的embedding。

模型训练：

• 无监督：假设节点的相似性与其距离呈正相关，邻近节点应当相似，不相邻节点应当不相似
• 有监督：更换损失函数，例如交叉熵损失函数。

2. metapath2vec模型

可以用于异构图网络，先人为设计一些metapath（元路径），例如一个金融诈骗图中有人员person、手机号Tel、邮箱email，人为设计元路径：PTP，即2人共用一个号码，采样时从一个person出发，只会walk到邻接的tel上，再从tel走到下一个person上，不会随机乱走到其它类型的节点上。
得到节点的游走序列，再将序列输入到skip-gram中以得到每个节点的嵌入表示。
源码：https://github.com/PaddlePaddle/PGL/tree/main/examples/metapath2vec