核心要点
能讲核心思路：把图上随机游走生成的节点序列类比「句子」，用 Skip-gram 学 embedding
能说 DeepWalk：均匀随机游走 + Word2Vec，邻近节点 embedding 相近
能说 Node2Vec：用 p（返回参数）、q（进出参数）有偏游走，调节 BFS（同质）与 DFS（结构）偏好
能指出局限：转导式、只用结构不用节点特征，新节点无法直接得到 embedding
标准回答
核心思路（独占一行）
DeepWalk 和 Node2Vec 把 NLP 的词嵌入思想搬到图上：用随机游走从图中采样出一条条节点序列，把序列当「句子」、节点当「词」，再用 Skip-gram 让在同一窗口内共现的节点 embedding 互相靠近。
DeepWalk
从每个节点出发做固定长度的均匀随机游走，生成大量节点序列，直接喂给 Word2Vec 的 Skip-gram 训练。结果是图上邻近、结构相似的节点得到相近的低维向量，可用于节点分类、链接预测等。
Node2Vec
在 DeepWalk 基础上引入有偏二阶随机游走，用两个超参数控制游走倾向：返回参数 (p) 控制回到上一节点的概率，进出参数 (q) 控制向外探索的概率。(q) 大时偏 BFS（局部、刻画同质社区），(q) 小时偏 DFS（远距离、刻画结构角色），从而在「同质性」与「结构等价性」间灵活权衡。
局限
两者都是转导式（transductive），只利用图结构、不使用节点自身特征，且为每个节点学一份固定 embedding——训练时未见的新节点无法直接得到表示。这正是 GraphSAGE 等归纳式 GNN 要解决的问题。
常见误区
⚠️ 常见踩坑
别把 DeepWalk/Node2Vec 当成 GNN——它们不做消息传递、不用节点特征，只是基于游走共现的浅层 embedding；也别记反 Node2Vec 的 p/q，q 大偏 BFS（同质），q 小偏 DFS（结构）。
追问
追问 1：Node2Vec 的 p、q 分别控制什么？
p 是返回参数，越小越倾向回头走、留在原地附近；q 是进出参数，q>1 倾向走回起点邻域近似 BFS（捕获同质社区），q<1 倾向远离起点近似 DFS（捕获结构角色）。二者共同决定游走在局部探索与远距离探索间的平衡。
追问 2：DeepWalk 与 GNN（如 GraphSAGE）的根本差别是什么？
DeepWalk 是基于随机游走共现的浅层、转导式 embedding，不使用节点特征，新节点无法泛化；GNN 通过消息传递聚合邻居特征，能融合结构与属性，GraphSAGE 等还是归纳式，可对新节点/新图直接推断表示。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。