deepwalk和node2vec針對同構圖的游走，如果應用於異構圖則會造成以下問題：
- 偏向於出現頻率高的節點類型
- 偏向於相對集中的幾點（即度數高的節點）
要了解異構圖的游走，首先我們需要了解什么是異構圖：
我們知道同構圖G=(V,E)，而異構圖G=(V,E,T)，T是節點V的類型
例如，學術網絡：
在上圖中，我們知道節點有四種不同的類型，而節點之間的邊E也有三種不同的類型
在我們了解異構圖之后，下面介紹metapath2vec
在metapath2vec算法中，提出了元路徑（meta path）的概念
meta path：在圖中選取的由節點類型構成的組合路徑
例如：APA的含義為兩個作者寫了用一篇論文，又例如：APCPA，兩個作者分別寫的兩篇論文在同一個會議發布
可見，元路徑的選取都是有意義的，但是為什么要這么做呢？
因為我們會在選取出來的元路徑上進行游走，如果選取出來的元路徑沒有什么意義，那么訓練出來的模型的效果較差
基於meta path的隨機游走：
對於選取節點A來說，每個節點有1/4的概率被選中，假設我們選取了節點A1，對於選取節點P，對應的有兩個節點P1和P2，每個節點被選中的概率是1/2，我們選擇P2，那么A節點則有A1、A3和A4三個選擇
ps：只要首尾節點類型相同，就可以繼續游走，元路徑最好是對稱的，這樣可以方便我們對元路徑做出擴展，不對稱的元路徑也是有意義的
停止游走的條件：
- 到達指定的最大游走程度
- 找不到符合要求節點類型的節點
metapath2vec的整體框架：
metapath2vec在隨機游走的時候考慮了節點類型，但是在負采樣的時候沒有考慮節點類型：
可以看出負樣本的節點類型和正樣本不同，這樣的負樣本采集方式並不利於模型訓練，我們應當采集同樣的樣本類型，因此提出了metapath2vec++算法，在負采樣的時候，考慮節點類型
變種：multi-metapath2vec：利用元路徑生成器，生成多條metapath
變種：side info + multi-metapath2vec：每個節點都有自己的特征表示，通過元路徑生成器生成多條元路徑，在實際訓練過程中將特征融入矩陣中，讓模型獲得更多信息
圖游走算法總結：
