还有整图嵌入

Whole-Graph Embedding 是一种将图结构数据映射为低维稠密向量的深度学习技术，旨在通过全局上下文信息捕捉节点间的复杂关联，广泛应用于知识图谱与图神经网络场景。该概念并非单一算法，而是指代一类利用图的全局拓扑结构（如邻接矩阵、拉普拉斯矩阵或图卷积核）来学习节点表示的方法。与传统仅依赖局部邻居信息的嵌入方法不同，它强调利用整个图的连通性来增强节点表示的判别力与泛化能力，是图表示学习（Graph Representation Learning）中的核心范式之一。

在现代计算架构中，Whole-Graph Embedding 扮演着连接稀疏图数据与稠密向量空间的关键桥梁角色。随着大模型对结构化数据理解的深入，该技术已成为知识图谱推理、异常检测及社交网络分析的基础设施。其核心价值在于突破了局部视角的局限，通过聚合全局信息显著提升了节点分类与链接预测的准确率。尽管计算复杂度较高，但在处理大规模图数据时，结合近似算法与分布式架构，它已成为构建高鲁棒性图智能系统的标准组件。