图嵌入

图嵌入（Graph Embedding）是一种将图结构数据（如节点、边及超边）映射到低维稠密向量空间的机器学习方法。其核心目标是在保留原始图拓扑结构（如连通性、距离、聚类）与语义信息（如节点功能、角色）的前提下，将复杂的图关系转化为计算机易于处理的数值向量。该技术起源于图神经网络（GNN）的早期探索，随着深度学习的发展已成为图学习、知识图谱推理及推荐系统的基石，旨在解决图数据非欧几里得特性带来的计算难题。

在现代计算架构中，图嵌入扮演着连接非结构化图数据与向量数据库的关键桥梁角色。它不仅是图神经网络（GNN）模型输出的最终表征形式，更是实现图数据检索、聚类、分类及链接预测的核心引擎。随着大模型时代的到来，图嵌入技术正从传统的静态节点表征向动态图演化、多模态图融合及基于Transformer的图表示学习演进。其生态地位体现在支撑了从社交网络分析到生物信息学、金融风控等广泛领域的智能化应用，是构建通用图大模型不可或缺的底层组件。