图嵌入（Graph AI 词典：Embedding">Embedding）是把图中的节点映射成低维稠密向量，让图上相近或角色相似的节点，在向量空间里也靠近；Node2Vec 是其中一种经典方法，核心是用带偏的随机游走（Random Walk）生成节点序列，再借用词向量（Word Embedding）的思路学出每个节点的坐标。
为什么需要它？图本身是“关系”，而大多数模型习惯处理定长向量。把节点变成向量后，就能做距离运算：两个向量越接近，说明两个节点越可能属于同一社区、扮演相似角色，或者存在潜在连接。
可以这样理解：把图想成城市地图，节点是地点，边是道路。Node2Vec 先派一个人在城里闲逛，走出很多条路线；每条路线就是一个“句子”，路线上的地点就是“词”。然后用 Skip-gram 模型训练：在同一个句子里经常前后脚出现的地点，向量就该相似。这里不需要人工定义“相似”，共现模式会把它统计出来。
关键在“怎么逛”。普通随机游走每一步均匀选一个邻居；Node2Vec 用的是二阶随机游走，决定下一步时不仅看当前节点，还看“上一步从哪来”。它有两个参数：p 控制回到上一个节点的倾向，q 控制向外探索还是留在局部。p 小，人容易回头，游走偏广度优先（BFS），更擅长捕捉局部结构和“角色相似”；q 小，人容易往远处走，游走偏深度优先（DFS），更擅长捕捉社区和“同质相似”。调这两个参数，相当于调旅行风格：是喜欢在街区里反复转，还是喜欢一路远行。
和相邻概念的区别可以看表：
| 方法 | 样本怎么来 | 特点 |
|---|---|---|
| DeepWalk | 无偏随机游走 | 简单有效，但不区分探索偏好 |
| Node2Vec | 二阶带偏随机游走 | 通过 p、q 平衡同质性与结构等价 |
| 图神经网络（GNN） | 端到端聚合邻居 | 可融合节点特征，通常是归纳式学习 |
Node2Vec 学到的嵌入是浅层的，且属于转导式（transductive）：图变了、新节点加入，通常要重新训练或做额外更新，不能像 GNN 那样直接对新节点推理。
对从业者来说，它适合做节点分类、链接预测、社区发现、推荐和异常检测的轻量基线，也能把关系数据变成可计算特征。对普通职场人来说，它的启发很直接：很多业务问题本质是“关系网络”，先把节点变成能算距离的向量，很多分析和模型才有下手的地方。具体参数设置与实现细节，以原论文和官方代码为准。