关于Node2vec算法很好的讲解教程：https://zhuanlan.zhihu.com/p/46344860 OpenNe代码可以在github上找到
OpenNe源码解析之Node2vec
Node2vec 伪代码
对伪代码逻辑简单的解读：
算法一：
输入参数：图G（节点，边，权值），向量维数d，每个节点游走次数r，游走长度l，上下文大小k，广度权值p，深度权值q
第一步：根据p，q的值对图G的权值进行预处理，得到每个点到其邻居节点的转移概率π
第二步：将转移概率π添加到图G中，形成概率图G’=（V,E,π）
第三步：将存储游走路劲的存储结构walks 初始化
第四、五、六、七步：对概率图G’每个点进行长度为l的游走，游走路径存储到walks，并重复r次
第八步：使用随即梯度下降算法对获得的路径语料进行训练，获得向量
算法二：
输入参数：概率图G（V,E,π），起始节点u，游走长度l
第一步：初始化起始节点u的路径walk
第二步：进行l步的游走
第三步：获取游走路径中的最后的一个节点为当前节点
第四步：获取当前节点的邻居节点
第五步：根据概率对邻居节点进行取样，取出下一个节点
第六步：将这个节点添加到游走路径中
Node2vec源码解读
这里首先整理下Node2vec中函数的调用逻辑：
main(args) #主函数
--g = Graph() #初始化图g
--g.read_adjlist(filename=args.input) #读邻接表
--model = node2vec.Node2vec(...)
--__init__(self, graph, path_length, num_paths, dim, p=1.0, q=1.0, dw=False, **kwargs) #构造函数
--walker.Walker(graph, p=p, q=q, workers=kwargs["workers"]) #Walker构造函数
--self.walker.preprocess_transition_probs() #预处理转移概率
--alias_setup(normalized_probs) 使用alias方法处理节点概率
--get_alias_edge(edge[0], edge[1]) #使用alias方法处理边概率
--self.walker.simulate_walks(num_walks=num_paths, walk_length=path_length) #重复模拟随机游走
--self.node2vec_walk(walk_length=walk_length, start_node=node) #获取对每个节点进行一次游走
--Word2Vec(**kwargs) #进行训练
--save_embeddings(args.output) #存储训练结果
下面进行详细的代码解读：
1. 在__main__.py第181行调用主函数
第110行初始化图g
第114行从文件中读取邻接表
第119行初始化Nodevec类
参数：graph（图），path_length(游走长度)，num_paths(游走次数)，dim（向量维度），workers（并发数），p（参数p），q（参数q），window（窗口大小）
2. 在node2vec.py第9行调用node2vec构造函数
第11行获取并发数
第21行调用node2vec的Walker类
在walker.py中第58行，Walker类的构造函数如下：
第60、61、62、64、65行，进行参数赋值
3. 在node2vec.py第24行 初始化转移概率
preprocess_transition_probs函数的申明在walker.py第135行
第141行，初始化alias节点列表
第142行，对图G中的每个节点node做如下遍历：
第143行，存储该节点所有邻居的权值
第145行，对改点所有邻居节点的权值进行累加求和
第146行，改点的每个邻居节点的权值/总权值，得到改点到每个点的概率
第148行，使用alias_nodes存储该节点经过alias方法，获得处理后的概率数组，和alias数组，该方法具体解释见Alias Method离散分布随机取样
第150行，初始化alias边列表
第155行：对图G中的每条边做如下遍历：
对每条边使用get_alias_edge函数进行处理，获得alias方法处理后的边转移数组和alias数组。
get_alias_edge函数的定义如下：
第117、118、119行，初始化赋值
第121行，初始化概率列表
第122行，对这条边的目的节点对的所有邻居中，做如下遍历：
第123、124行，如果目的节点的此邻居与起始节点相同，则目的节点和此邻居边的权值为p分之一
第125、126行，如果目的节点的此邻居和起始节点相连，则目的节点和此邻居边的权值为1
第127、128行，如果目的节点的此邻居和起始节点不相连，则目的节点和此邻居边的权值为q分之一
第129行，累加所有的权值
第130行，对所有的边的权值/总权值，得到每条边的转移概率
第133行，对这些边的转移概率使用alias方法进行初始化，得到概率列表和alias列表
4. 返回到node2vec.py中第25行进行模拟游走
在walker.py中第96行，simulate_walks函数的定义如下：
第101行，初始化walks列表，用于存储之后的游走路径
第102行，将图中的所有节点以列表的形式来存储
第104行，进行num_walks次游走，并且每次游走按照如下进行：
—-第106行，随机将列表中的节点随机打乱，以进行随机取样
—-第107行，对于列表中的每个节点进行如下操作：
———第108行，对每个节点进行以此节点为起始节点长度为walk_length的node2vec游走
其中，在walker.py第66行node2vec游走的具体定义如下：
第71、72行，赋值alias节点和alias边
第76行，将开始节点存入walk中
第78行，当游走长度小于walk_length时，进行如下操作：
———第79行，获取walk中的最后一个节点
———第80行，获取此节点的邻居列表
———第81行，如果此列表中还存在节点
———第82，83行，walk中只存在一个节点，使用alias方法随机从它的邻居中抽取一个点存入路径
———第85、86、87、88、90行，取出倒数第二个节点，生成最后两个节点的一条边，获取使用改进后alias方法获取下一节点，存入此节点
5. 返回到node2vec.py中第27行，进行语料训练
下面这一段代码就是准备word2vec算法的参数，然后运行算法。
由于先前的代码中也有一部分参数，这里就把运行node2vec所用的kwargs参数整理下：
第11行： works代表线程数，但是并发数，此处使用的默认值8
第13行，hs为1代表hierarchical softmax模型，0为negative sampling模型
第27行，sentences代表要训练的语料，这里就是所有的游走序列。
第28行，min_count代表低频词丢弃，这里使用默认值0，即不丢弃任何低频词。
第29行，size代表向量维度，这里使用默认的180
第30行，sg代表为0，对应CBOW算法；sg=1则采用skip-gram算法。这里采用skip-gram
第34行，即进行hierarchical softmax下的skip-gram算法，进行训练
第36，37行，存储每个节点及其对应的向量
