---
title: "圖嵌入（Graph Embedding）"
slug: graph-embedding
language: zh-TW
source: https://aiterms.tw/terms/graph-embedding
updated_at: 2026-07-30
tags: [知識圖譜, 機器學習, AI基礎]
ipas_term: false
---

# 圖嵌入（Graph Embedding）

將圖中的節點或邊映射到低維向量空間的技術，保留原圖的結構信息和語義關係。

## 完整說明

圖嵌入是一種表示學習方法，將複雜的圖結構（由節點和邊組成）轉換為低維密集向量，使得原圖中的結構、鄰近性和語義關係得以保留。通過嵌入表示，圖中的節點可以用於下游任務如分類、聚類、鏈接預測等。

## 常見問題

### 圖嵌入和詞嵌入的區別是什麼？

詞嵌入（如Word2Vec）將詞彙對應到向量，利用上下文信息（相鄰詞的共現）。圖嵌入將圖中的節點對應到向量，利用圖的拓撲結構和連接關係。基於隨機遊走的圖嵌入方法借鑑了詞嵌入的思想：將遊走序列視為「句子」，但圖嵌入需要同時考慮節點的特徵和邊的類型等更複雜的信息。從根本上講，詞嵌入處理的是序列結構，圖嵌入處理的是網絡結構。

### 選擇多少維度的嵌入比較合適？

嵌入維度通常在 64 到 512 之間選擇，具體取決於圖的規模、複雜度和下游任務的要求。小規模圖（節點數 < 10000）可用 64 到 128 維；中等規模圖（10000 到 100 萬）通常用 256 到 512 維。維度太低會丟失結構信息，導致任務性能下降；維度太高會增加計算成本和過擬合風險。實踐中，應通過驗證集的性能來調整維度，找到性能和效率的平衡點。

### 圖嵌入能處理動態變化的圖嗎？

傳統圖嵌入方法（如DeepWalk、Node2Vec）通常假設圖是靜態的，當圖發生變化時需要重新訓練。然而，許多實際應用中的圖是動態的（社交網絡中用戶和邊不斷加入和移除）。為應對這一挑戰，研究者開發了動態圖嵌入方法，如DynGEM、EvolveGCN等，這些方法採用增量學習或遺忘機制，能更高效地更新嵌入。但這些動態方法通常比靜態方法複雜，計算成本也更高。

---

來源：https://aiterms.tw/terms/graph-embedding
快查頁：https://aiterms.tw/terms/graph-embedding
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-graph-embedding